# MotifVideoTransformer3DModel

Um modelo Diffusion Transformer para dados de vídeo 3D foi introduzido em Motif-Video pela equipe da Motif Technologies.

O modelo utiliza uma arquitetura de três estágios com 12 camadas de decodificador dual-stream + 16 camadas de decodificador single-stream + 8 camadas de decodificador DDT e embeddings posicionais rotativos (RoPE) para geração de vídeo.

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import MotifVideoTransformer3DModel

transformer = MotifVideoTransformer3DModel.from_pretrained("Motif-Technologies/Motif-Video-2B", subfolder="transformer", dtype=torch.bfloat16)
```

## MotifVideoTransformer3DModel[[diffusers.MotifVideoTransformer3DModel]]

#### diffusers.MotifVideoTransformer3DModel[[diffusers.MotifVideoTransformer3DModel]]

```python
diffusers.MotifVideoTransformer3DModel(in_channels: int = 33, out_channels: int = 16, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 20, num_single_layers: int = 40, num_decoder_layers: int = 0, mlp_ratio: float = 4.0, patch_size: int = 2, patch_size_t: int = 1, qk_norm: str = 'rms_norm', norm_type: str = 'layer_norm', text_embed_dim: int = 4096, image_embed_dim: int | None = None, rope_theta: float = 256.0, rope_axes_dim: typing.Tuple[int, ...] = (16, 56, 56), enable_text_cross_attention_dual: bool = False, enable_text_cross_attention_single: bool = False)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_motif_video.py#L730)

**Parâmetros:**

in_channels (`int`, padrão `33`) : O número de canais na entrada.

out_channels (`int`, padrão `16`) : O número de canais na saída.

num_attention_heads (`int`, padrão `24`) : O número de cabeças a serem usadas para a atenção multi-cabeça.

attention_head_dim (`int`, padrão `128`) : O número de canais em cada head.

num_layers (`int`, padrão `20`) : O número de camadas de blocos dual-stream a serem usadas.

num_single_layers (`int`, padrão `40`) : O número de camadas de blocos de fluxo único a serem usadas.

num_decoder_layers (`int`, padrão `0`) : O número de camadas de decodificador nos blocos de fluxo único.

mlp_ratio (`float`, padrão `4.0`) : A proporção do tamanho da camada oculta em relação ao tamanho da entrada na rede feedforward.

patch_size (`int`, padrão `2`) : O tamanho dos patches espaciais a serem usados na camada de incorporação de patches.

patch_size_t (`int`, padrão `1`) : O tamanho dos patches temporais a serem usados na camada de incorporação de patches.

qk_norm (`str`, padrão `rms_norm`) : A normalização a ser usada para as projeções de consulta e chave nas camadas de atenção.

text_embed_dim (`int`, padrão `4096`) : Dimensão de entrada dos embeddings de texto do codificador de texto.

image_embed_dim (`int`, *opcional*) : Dimensão de entrada dos embeddings de imagem de um codificador de visão. Se fornecida, habilita a condicionamento por imagem.

rope_theta (`float`, padrão `256.0`) : O valor de theta a ser usado na camada RoPE.

rope_axes_dim (`Tuple[int]`, padrão `(16, 56, 56)`) : As dimensões dos eixos a serem usados na camada RoPE.

Um modelo Transformer para dados semelhantes a vídeo usado no modelo Motif-Video.

#### forward[[diffusers.MotifVideoTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_attention_mask: typing.Optional[torch.Tensor] = None, image_embeds: typing.Optional[torch.Tensor] = None, attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_motif_video.py#L888)

**Parâmetros:**

hidden_states (`torch.Tensor`) : Tensor latente de entrada com forma `(batch_size, channels, num_frames, height, width)`.

timestep (`torch.LongTensor`) : Passos de difusão com forma `(batch_size,)`.

encoder_hidden_states (`torch.Tensor`) : Condição de texto com forma `(batch_size, sequence_length, embed_dim)`.

encoder_attention_mask (`torch.Tensor`) : Máscara para condicionamento de texto com forma `(batch_size, sequence_length)`.

image_embeds (`torch.Tensor`, *opcional*) : Embebimentos de imagem do codificador visual com forma `(batch_size, num_tokens, embed_dim)`.

attention_kwargs (`dict`, *opcional*) : Argumentos adicionais para os processadores de atenção.

return_dict (`bool`, padrão `True`) : Se deve retornar um [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput).

**Retorna:** [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) ou `tuple`

As amostras previstas.

Passada para frente do MotifVideoTransformer3DModel.

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel).