# SanaWMTransformer3DModel

Một Diffusion Transformer 3D (1,6 tỷ tham số) cho việc tạo video từ hình ảnh có điều khiển bởi camera, được dùng làm trình lấy mẫu giai đoạn 1 của [SanaWMPipeline](/docs/diffusers/main/vi/api/pipelines/sana_wm#diffusers.SanaWMPipeline). Transformer này kết hợp:

* một nhánh chính của GDN-Triton linear-attention hai chiều (độ sâu 20, ẩn 2240, 20 đầu),
* một nhánh điều khiển camera UCPE (Unified Camera Pose Embedding) nhận vào biểu diễn raymap + Plücker của quỹ đạo được yêu cầu, và
* một embedding vị trí xoay 3D theo phong cách Wan cùng các khối softmax-attention tuần hoàn được chèn vào mỗi `softmax_every_n` lớp.

Mô hình có thể được tải bằng cách:

```python
import torch
from diffusers import SanaWMTransformer3DModel

transformer = SanaWMTransformer3DModel.from_pretrained(
    "Efficient-Large-Model/SANA-WM_bidirectional-diffusers",
    subfolder="transformer",
    torch_dtype=torch.bfloat16,
)
```

## SanaWMTransformer3DModel[[diffusers.SanaWMTransformer3DModel]]

#### diffusers.SanaWMTransformer3DModel[[diffusers.SanaWMTransformer3DModel]]

```python
diffusers.SanaWMTransformer3DModel(in_channels: int = 128, num_layers: int = 20, hidden_size: int = 2240, num_attention_heads: int = 20, patch_size: tuple[int, int, int] = (1, 1, 1), softmax_every_n: int = 4, linear_head_dim: int = 112, ffn_type: str = 'GLUMBConvTemp', t_kernel_size: int = 3, conv_kernel_size: int = 4, k_conv_only: bool = True, pos_embed_type: str = 'wan_rope', qk_norm: bool = True, cross_norm: bool = True, y_norm: bool = True, cam_attn_compress: int = 1, init_cam_from_base: bool = True, use_chunk_plucker_post_attn: bool = True, chunk_plucker_channels: int = 48, chunk_plucker_post_attn_blocks: int = 20, fp32_attention: bool = True, image_size: int = 720, caption_channels: int = 2304, mlp_ratio: float = 3.0, mlp_acts: tuple = ('silu', 'silu', None), use_pe: bool = True, learn_sigma: bool = False, pred_sigma: bool = False, mixed_precision: str = 'bf16')
```

[Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L2663)

**Tham số:**

in_channels (*int*, mặc định là 128) : Số kênh tiềm ẩn của VAE (LTX-2).

softmax_every_n (*int*, mặc định là 4) : Sử dụng một khối softmax attention mỗi N khối.

linear_head_dim (*int*, mặc định là 112) : Kích thước chiều đầu (head dimension) của GDN.

ffn_type (*str*, mặc định là `"GLUMBConvTemp"`) : FFN.

t_kernel_size (*int*, mặc định là 3) : Nhân của conv theo thời gian.

conv_kernel_size (*int*, mặc định là 4) : Lõi conv không gian bên trong attention.

k_conv_only (*bool*, mặc định là True) : Chỉ áp dụng conv trên K.

pos_embed_type (*str*, mặc định là `"wan_rope"`) : Nhúng vị trí.

qk_norm (*bool*, mặc định là True) : RMSNorm trên Q/K.

cross_norm (*bool*, mặc định là True) : RMSNorm trên K của cross-attention.

y_norm (*bool*, mặc định là True) : Áp dụng `attention_y_norm` cho các embedding văn bản.

init_cam_from_base (*bool*, mặc định là True) : Không được sử dụng; nhánh camera được nạp từ checkpoint. Được giữ lại để các tệp *config.json* đã phát hành có thể nạp được.

use_chunk_plucker_post_attn (*bool*, mặc định là True). --

chunk_plucker_channels (*int*, mặc định là 48) : `6 dims * temporal_stride 8`.

chunk_plucker_post_attn_blocks (*int*, mặc định là 20) : Tất cả các khối.

fp32_attention (*bool*, mặc định là True) : Không được sử dụng; attention luôn chạy ở fp32. Được giữ lại để các tệp *config.json* đã phát hành có thể được nạp.

image_size (*int*, mặc định là 720) : Kích thước ảnh danh định.

caption_channels (*int*, mặc định là 2304) : Kích thước ẩn của Gemma-2.

SANA-WM 1600M DiT hai chiều điều khiển bằng camera.

DiT một lớp (depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20 — tức là bản phát hành công khai `Efficient-Large-Model/SANA-WM_bidirectional`). `save_pretrained` / `from_pretrained` hoạt động ngay lập tức thông qua [ConfigMixin](/docs/diffusers/main/vi/api/configuration#diffusers.ConfigMixin).

Mỗi khối thực hiện chú ý có điều kiện camera (UCPE) [*BidirectionalGDNUCPESinglePathLiteLA*], ngoại trừ mỗi khối thứ `softmax_every_n` thực hiện phiên bản softmax tương ứng [*_SoftmaxUCPESinglePathLiteLA*].

State-dict giống hệt checkpoint sana công khai, ngoại trừ buffer `pos_embed` bị loại bỏ một cách có chủ đích.

#### forward[[diffusers.SanaWMTransformer3DModel.forward]]

```python
forward(hidden_states: torch.Tensor, timestep: torch.Tensor, encoder_hidden_states: torch.Tensor, encoder_attention_mask: torch.Tensor | None = None, mask: torch.Tensor | None = None, return_dict: bool = True, data_info: Optional[dict] = None, camera_conditions: torch.Tensor | None = None, chunk_plucker: torch.Tensor | None = None, cam_pos_embeds: Optional[dict] = None, pos_embeds: torch.Tensor | None = None, raymats: torch.Tensor | None = None, frame_valid_mask: torch.Tensor | None = None, chunk_size: int | None = None)
```

[Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L2896)

**Tham số:**

hidden_states : `(B, C, T, H, W)` các biến ẩn (latents).

timestep : `(B, 1, T)` các bước khuếch tán (timesteps) cho từng khung hình (theo phong cách LTX).

encoder_hidden_states : `(B, 1, L, D_caption)` các vector nhúng văn bản.

encoder_attention_mask : `(B, L)` mặt nạ chú ý văn bản (quy ước của diffusers).

mask : Tên gọi khác của `encoder_attention_mask` khớp với tên tham số kwarg của DiT sana. Nếu cả hai đều được truyền vào, `mask` sẽ được ưu tiên.

return_dict : Nếu `True` (mặc định), trả về một `Transformer2DModelOutput`; ngược lại trả về một one-tuple `(sample,)`.

data_info : Điều kiện bổ sung; `data_info["image_vae_embeds"]` được nối với các latents dọc theo trục kênh khi có mặt.

camera_conditions : `(B, T, 20)` điều kiện camera thô điều khiển nhánh camera-control (UCPE).

chunk_plucker : Nhúng tia Plucker `(B, C, T, H, W)`, được sử dụng khi mô hình được cấu hình với `use_chunk_plucker_input` / `use_chunk_plucker_post_attn`.

cam_pos_embeds : Các embedding vị trí camera đã tính trước tùy chọn (các mục `"absmap"` / `"P"`) được tái sử dụng thay vì tính lại.

pos_embeds : Các embedding vị trí xoay (rotary position embeddings) đã được tính trước tùy chọn; khi `None`, chúng sẽ được xây dựng từ hình dạng của latent.

raymats : Ma trận tia UCPE đã tính trước tùy chọn (chỉ được sử dụng khi `cam_pos_embeds` không chứa `"P"`).

frame_valid_mask : Mặt nạ hợp lệ tùy chọn cho từng khung hình, có hình dạng `(B, 1, T, 1, 1)`, `(B, 1, T)` hoặc `(B, T)`.

chunk_size : Độ dài chunk ghi đè được chuyển tiếp đến các khối; nếu không có, sẽ dùng `chunk_size` được cấu hình của từng khối.

**Trả về:**

`Transformer2DModelOutput` với `sample` có hình dạng `(B, C, T, H, W)`.

Chạy SANA-WM DiT.

#### unpatchify[[diffusers.SanaWMTransformer3DModel.unpatchify]]

```python
unpatchify(x, post_patch_num_frames, post_patch_height, post_patch_width)
```

[Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L3099)

x: (N, T, patch_size**2 * C) imgs: (N, H, W, C)

## 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)
```

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

**Tham số:**

sample (`torch.Tensor` có shape `(batch_size, num_channels, height, width)` hoặc `(batch size, num_vector_embeds - 1, num_latent_pixels)` nếu [Transformer2DModel](/docs/diffusers/main/vi/api/models/transformer2d#diffusers.Transformer2DModel) là discrete) : Đầu ra của hidden states được điều kiện bởi đầu vào `encoder_hidden_states`. Nếu là discrete, trả về các phân phối xác suất cho các latent pixels chưa bị nhiễu.

Đầu ra của [Transformer2DModel](/docs/diffusers/main/vi/api/models/transformer2d#diffusers.Transformer2DModel).