# WanAnimate2Transformer3DModel

نموذج [Wan-Animate-2](https://github.com/Wan-Video/Wan2.2) من فريق Wan في Alibaba، وهو نموذج Diffusion Transformer مخصص لبيانات الفيديو ثلاثية الأبعاد. يقوم هذا النموذج بتحريك صورة شخصية عبر حركة فيديو إرشادي باستخدام آلية مرجعية ضمن السياق: حيث يُنفَّذ لكل مقطع أولاً مسار مرجعي (`kv_cache_mode="extract"`) يخزّن فيه مفاتيح وقيم (K/V) المرجعية لكل طبقة، ثم تُنفَّذ مسارات إزالة الضوضاء (`kv_cache_mode="cached"`) التي تتعامل مع رموز التوليد ورموز المرجع المخزنة معاً عبر `BlockMask` مرن.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

```python
from diffusers import WanAnimate2Transformer3DModel

transformer = WanAnimate2Transformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-2-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanAnimate2Transformer3DModel[[diffusers.WanAnimate2Transformer3DModel]]

#### diffusers.WanAnimate2Transformer3DModel[[diffusers.WanAnimate2Transformer3DModel]]

```python
diffusers.WanAnimate2Transformer3DModel(patch_size: tuple = (1, 2, 2), text_len: int = 512, in_dim: int = 36, dim: int = 5120, ffn_dim: int = 13824, freq_dim: int = 256, text_dim: int = 4096, out_dim: int = 16, num_heads: int = 40, num_layers: int = 40, cross_attn_norm: bool = True, eps: float = 1e-06, use_img_emb: bool = True, refer_offset_t: int = 1, refer_offset_h: int = 0, refer_offset_w: int = -1, refer_stride: int = 1)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate_2.py#L570)

**المعاملات:**

patch_size (*tuple[int]*، القيمة الافتراضية *(1, 2, 2)*) : أبعاد الباتش ثلاثية الأبعاد لتضمين الفيديو (t_patch, h_patch, w_patch).

text_len (*int*، القيمة الافتراضية *512*) : طول ثابت لتضمينات النص.

in_dim (*int*، القيمة الافتراضية *36*) : عدد القنوات في المدخلات (2 * latent_channels + 4 لقناة القناع).

dim (*int*، القيمة الافتراضية *5120*) : عدد القنوات في المحوّل.

ffn_dim (*int*، القيمة الافتراضية *13824*) : البُعد الوسيط في الشبكة الأمامية (feed-forward).

freq_dim (*int*، القيمة الافتراضية *256*) : البُعد الخاص بالتضمينات الزمنية الجيبية.

text_dim (*int*، القيمة الافتراضية *4096*) : بُعد الإدخال لتضمينات النص.

out_dim (*int*، القيمة الافتراضية *16*) : عدد القنوات في المخرجات.

num_heads (*int*، القيمة الافتراضية *40*) : عدد رؤوس الانتباه.

num_layers (*int*، القيمة الافتراضية *40*) : عدد طبقات كتل التحويل (transformer blocks) المستخدمة.

cross_attn_norm (*bool*، القيمة الافتراضية *True*) : تفعيل تطبيع الانتباه المتقاطع.

eps (*float*، القيمة الافتراضية *1e-6*) : قيمة إبسيلون لطبقات التطبيع.

use_img_emb (*bool*، القيمة الافتراضية *True*) : ما إذا كان سيتم استخدام تضمين صورة CLIP.

refer_offset_t (*int*، القيمة الافتراضية *1*) : إزاحة RoPE للبعد الزمني للمرجع.

refer_offset_h (*int*، القيمة الافتراضية *0*) : إزاحة RoPE لبُعد الارتفاع في المرجع.

refer_offset_w (*int*، القيمة الافتراضية *-1*) : إزاحة RoPE لبُعد العرض في المرجع. القيمة -1 تعني استخدام حجم شبكة التوليد.

refer_stride (*int*، القيمة الافتراضية *1*) : الخطوة (Stride) لتطبيق RoPE على المرجع.

نموذج Transformer لبيانات تشبه الفيديو يُستخدم في نموذج Wan-Animate-2.

يستخدم Wan-Animate-2 آلية انتباه سياقية مع ذاكرة تخزين مؤقت KV: يتم أولاً ترميز فيديو مرجعي (`kv_cache_mode="extract"`) لملء [*WanAnimate2KVCache*]، ثم ينتبه كل خطوة إزالة الضوضاء (`kv_cache_mode="cached"`) بشكل مشترك على رموز التوليد و K/V المرجعية المخزنة مؤقتًا عبر `BlockMask` مرن. لذلك، يعمل انتباه التوليد الذاتي حصريًا على واجهة انتباه `flex`؛ بينما يعمل أي انتباه آخر في النموذج على أي واجهة.

#### forward[[diffusers.WanAnimate2Transformer3DModel.forward]]

```python
forward(hidden_states: list, timestep: Tensor, encoder_hidden_states: list, condition_latents: list, kv_cache: WanAnimate2KVCache, kv_cache_mode: str, seq_len: int, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, offset_grid_sizes: typing.Optional[torch.Tensor] = None, reference_grid_sizes: typing.Optional[torch.Tensor] = None, origin_len: int | None = None, origin_area: list[int] | None = None, is_uncondtion: bool = False, return_dict: bool = True)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate_2.py#L766)

**المعاملات:**

hidden_states (`list[torch.Tensor]`) : الكمونيات لهذا المرور — الكمونيات المرجعية عندما `kv_cache_mode="extract"`، والكمونيات المولدة الضجيجية عندما `kv_cache_mode="cached"`.

timestep (`torch.Tensor`) : خطوة إزالة الضوضاء. يتم تجاهلها عند استخدام `kv_cache_mode="extract"`، حيث تُستخدم خطوة ثابتة بقيمة 1.

encoder_hidden_states (`list[torch.Tensor]`) : تمثيلات نصية لهذا المرور.

condition_latents (`list[torch.Tensor]`) : حالات شرطية (Conditioning latents) مُدمجة مع `hidden_states` قبل تضمين البقع (patch embedding).

kv_cache (`WanAnimate2KVCache`) : يُكتب عند `kv_cache_mode="extract"`، ويُقرأ عند `"cached"`.

kv_cache_mode (`str`) : `"extract"` ينفّذ المرور المرجعي ويملأ `kv_cache`؛ `"cached"` ينفّذ خطوة إزالة الضوضاء مقابل الرموز المرجعية المخزّنة مؤقتًا.

seq_len (`int`) : عدد الرموز التي يجب أن يحتويها كل عينة بعد تضمين الباتش.

encoder_hidden_states_image (`torch.Tensor`، *اختياري*) : تمثيلات صور CLIP، تُستخدم عندما يتم تكوين النموذج باستخدام `use_img_emb`.

offset_grid_sizes (`torch.Tensor`، *اختياري*) : شبكة البقع (Patch grid) للكامنات المرجعية (reference latents)، تُستخدم لحل أي `refer_offset_*` مُعيَّن إلى -1. مطلوب عند `kv_cache_mode="extract"`؛ أما عند `"cached"`، فيصف `reference_grid_sizes` الشبكة نفسها ويُستخدم بدلاً من ذلك.

reference_grid_sizes (`torch.Tensor`، *اختياري*) : شبكة البقع (Patch grid) للكامنات المرجعية (reference latents)، تُستخدم للتضمينات الدورانية المرجعية (reference rotary embeddings). مطلوب عند `kv_cache_mode="cached"`.

origin_len (`int`، *اختياري*) : عدد الإطارات في الفيديو الكامل، الذي يُبنى عليه قناع كتلة السياق. مطلوب عند `kv_cache_mode="cached"`.

origin_area (`list[int]`، *اختياري*) : الأبعاد المكانية `[height, width]` للفيديو الكامل، التي يُبنى عليها قناع كتلة السياق. مطلوب عند `kv_cache_mode="cached"`.

is_uncondtion (`bool`، *اختياري*) : ما إذا كان هذا هو الفرع غير الشرطي للإرشاد الحر للتصنيف.

return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع `~models.transformer_2d.Transformer2DModelOutput` بدلاً من tuple عادي.

**يعيد:** [Transformer2DModelOutput](/docs/diffusers/main/ar/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) أو `tuple(list[torch.Tensor])`

العينة المتنبأ بها لكل مدخل كامن، غير مُقسّمة إلى بقع؛ وهي مجموعة (tuple) عادية إذا كان `return_dict` هو `False`.

## 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)
```

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

**المعاملات:**

sample (`torch.Tensor` من الشكل `(batch_size, num_channels, height, width)` أو `(batch size, num_vector_embeds - 1, num_latent_pixels)` إذا كان [Transformer2DModel](/docs/diffusers/main/ar/api/models/transformer2d#diffusers.Transformer2DModel) منفصلاً): مخرجات الحالات المخفية المشروطة على مدخل `encoder_hidden_states`. إذا كان منفصلاً، يعيد توزيعات الاحتمال للبكسلات الكامنة غير الملوثة.

مخرجات [Transformer2DModel](/docs/diffusers/main/ar/api/models/transformer2d#diffusers.Transformer2DModel).