Home

Welcome to the lean2ComfyUI wiki!

การคำนวณค่า tensors ไม่ให้แตกต่าง ระหว่าง input image vs model

🧾 1. จากโค้ด wanvideo/modules/encoder.py

self.patch_embed = PatchEmbed(
    img_size=(832, 480),
    patch_size=16,
    in_chans=3,
    embed_dim=768,
) 

จาก patch size = 16
ถ้า กว้าง 832 x ยาว 480
832/16=52 Tokens
480/16=30 Tokens

52x30=1560 tokens!

เพราะงั้นเวลาเล่น กับ image to video, ต้องคำนึงถึงจำนวน Tokens = 1560/frame

ถ้าจะ resize image ให้ถึงนึงถึง (w/16)*(H/16)=1560 เสมอ

สมมติเรามีรูปขนาด 1024p x 1024p

Simple math node

ต้องการ W ใช้สูตร floor(1560/floor(height/16))*16
= จะเท่ากับ W384 x H1024 เพื่อได้ Token 1560/frame

📦 ความหมายของ [B, W, H, C] ใน latent shape

Index	ชื่อ	ค่า	ความหมาย
1	B = Batch size	1	จำนวนภาพใน batch นี้ (คือรูปเดียว frame เดียวตอนนั้น)
2	W = Width	52	จำนวน patch ด้านกว้าง (W = 832 / 16)
3	H = Height	30	จำนวน patch ด้านสูง (H = 480 / 16)
4	C = Channel/Dim	768	ความยาวของ embedding vector (dimension ต่อ token)

🧪embedding dim = 768 คืออะไร?

ค่ามาตรฐาน ViT/Transformer:
ViT Base: 768
ViT Large: 1024 หรือ 1152

สรุป [1, 52, 30, 768] = 1 รูป, แบ่งเป็น 52x30 patch, patch แต่ละอันมีเวกเตอร์ขนาด 768 มิติ
→ Patch กลายเป็น Token
→ Token กลายเป็น vector
→ Vector ถูกหมุนด้วย RoPE
→ ป้อนเข้า Transformer เพื่อให้วิดีโอเข้าใจภาพขยับ! 🎥🧠