# HunyuanVideo15Transformer3DModel Un modelo Diffusion Transformer para datos de video 3D utilizado en [HunyuanVideo1.5](https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5). El modelo se puede cargar con el siguiente fragmento de código. ```python from diffusers import HunyuanVideo15Transformer3DModel transformer = HunyuanVideo15Transformer3DModel.from_pretrained("hunyuanvideo-community/HunyuanVideo-1.5-Diffusers-480p_t2v" subfolder="transformer", dtype=torch.bfloat16) ``` ## HunyuanVideo15Transformer3DModel[[diffusers.HunyuanVideo15Transformer3DModel]] #### diffusers.HunyuanVideo15Transformer3DModel[[diffusers.HunyuanVideo15Transformer3DModel]] ```python diffusers.HunyuanVideo15Transformer3DModel(in_channels: int = 65, out_channels: int = 32, num_attention_heads: int = 16, attention_head_dim: int = 128, num_layers: int = 54, num_refiner_layers: int = 2, mlp_ratio: float = 4.0, patch_size: int = 1, patch_size_t: int = 1, qk_norm: str = 'rms_norm', text_embed_dim: int = 3584, text_embed_2_dim: int = 1472, image_embed_dim: int = 1152, rope_theta: float = 256.0, rope_axes_dim: tuple[int, ...] = (16, 56, 56), target_size: int = 640, task_type: str = 'i2v', use_meanflow: bool = False) ``` [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video15.py#L510) **Parámetros:** in_channels (`int`, por defecto `16`) : El número de canales en la entrada. out_channels (`int`, por defecto `16`) : El número de canales en la salida. num_attention_heads (`int`, por defecto `24`) : El número de cabezas a utilizar para la atención multi-cabeza. attention_head_dim (`int`, por defecto `128`) : El número de canales en cada cabeza. num_layers (`int`, por defecto `20`) : El número de capas de bloques dual-stream a utilizar. num_refiner_layers (`int`, por defecto `2`) : El número de capas de bloques de refinamiento a utilizar. mlp_ratio (`float`, por defecto `4.0`) : La proporción entre el tamaño de la capa oculta y el tamaño de la entrada en la red feedforward. patch_size (`int`, por defecto `2`) : El tamaño de los parches espaciales a utilizar en la capa de incrustación de parches. patch_size_t (`int`, por defecto `1`) : El tamaño de los parches temporales a utilizar en la capa de incrustación de parches. qk_norm (`str`, por defecto `rms_norm`) : La normalización que se utilizará para las proyecciones de consulta y clave en las capas de atención. guidance_embeds (`bool`, por defecto `True`) : Si se deben usar embeddings de guía en el modelo. text_embed_dim (`int`, por defecto `4096`) : Dimensión de entrada de las incrustaciones de texto del codificador de texto. pooled_projection_dim (`int`, por defecto `768`) : La dimensión de la proyección agrupada de las incrustaciones de texto. rope_theta (`float`, por defecto `256.0`) : El valor de theta que se utilizará en la capa RoPE. rope_axes_dim (`tuple[int]`, por defecto `(16, 56, 56)`) : Las dimensiones de los ejes a utilizar en la capa RoPE. Un modelo Transformer para datos tipo video utilizado en [HunyuanVideo1.5](https://huggingface.co/tencent/HunyuanVideo1.5). #### forward[[diffusers.HunyuanVideo15Transformer3DModel.forward]] ```python forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_attention_mask: Tensor, timestep_r: typing.Optional[torch.LongTensor] = None, encoder_hidden_states_2: typing.Optional[torch.Tensor] = None, encoder_attention_mask_2: typing.Optional[torch.Tensor] = None, image_embeds: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True) ``` [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video15.py#L623) **Parámetros:** hidden_states (`torch.Tensor` de forma `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` de entrada. timestep (`torch.LongTensor`) : Se utiliza para indicar el paso de desruido. encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar. encoder_attention_mask (`torch.Tensor`) : Máscara aplicada a `encoder_hidden_states` durante la atención. timestep_r (`torch.LongTensor`, *opcional*) : Condicionamiento del paso temporal del refinador. encoder_hidden_states_2 (`torch.Tensor`, *opcional*) : Incrustaciones condicionales adicionales calculadas desde un segundo codificador de texto (ByT5). encoder_attention_mask_2 (`torch.Tensor`, *opcional*) : Máscara aplicada a `encoder_hidden_states_2` durante la atención. image_embeds (`torch.Tensor`, *opcional*) : Incrustaciones de imagen para la generación condicionada por imagen. attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que, si se especifica, se pasa al `AttentionProcessor` tal como se define bajo `self.processor` en [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py). return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un `~models.transformer_2d.Transformer2DModelOutput` en lugar de una tupla simple. **Devuelve:** Si `return_dict` es True, se devuelve un `~models.transformer_2d.Transformer2DModelOutput`; en caso contrario, se devuelve una `tuple` cuyo primer elemento es el tensor de la muestra. El método forward de [HunyuanVideo15Transformer3DModel](/docs/diffusers/main/es/api/models/hunyuan_video15_transformer_3d#diffusers.HunyuanVideo15Transformer3DModel). ## 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) ``` [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21) **Parámetros:** sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel) es discreto): las salidas de estados ocultos condicionadas a la entrada `encoder_hidden_states`. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido. La salida de [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel).