گره UNetTemporalAttentionMultiply ضرایب ضربی را برای انواع مختلف مکانیزم‌های توجه در یک مدل UNet زمانی اعمال می‌کند. این گره با تنظیم وزن‌های لایه‌های خودتوجهی (self-attention) و توجه متقاطع (cross-attention) و تمایز بین مؤلفه‌های ساختاری و زمانی، مدل را تغییر می‌دهد. این امکان تنظیم دقیق میزان تأثیر هر نوع توجه بر خروجی مدل را فراهم می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدل ورودی برای اعمال ضرایب ضربی توجه | MODEL | بله | - |
| `ساختاری خود` | ضریب ضرب برای مؤلفه‌های ساختاری خودتوجهی (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `زمانی خود` | ضریب ضرب برای مؤلفه‌های زمانی خودتوجهی (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `ساختاری متقاطع` | ضریب ضرب برای مؤلفه‌های ساختاری توجه متقاطع (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `زمانی متقاطع` | ضریب ضرب برای مؤلفه‌های زمانی توجه متقاطع (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مدل` | مدل اصلاح‌شده با وزن‌های توجه تنظیم‌شده | MODEL |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/UNetTemporalAttentionMultiply/fa.md)

---
**Source fingerprint (SHA-256):** `98d62fb28a0cdf62154ae4e0b672b3a7bcb9ed61186a164a43992263c1f9439a`