Buckets:
| # Tiny AutoEncoder | |
| طُرِح مُرمِّز-المُفكِّك التلقائي الصغير لاستقرار التوليد (TAESD) في [madebyollin/taesd](https://github.com/madebyollin/taesd) بواسطة أولين بوهر بوهان. وهو نسخة مصغّرة مُقطَّرة من VAE الخاص بـ Stable Diffusion، قادرة على فكّ ترميز الكمونيات في [StableDiffusionPipeline](/docs/diffusers/main/ar/api/pipelines/stable_diffusion/text2img#diffusers.StableDiffusionPipeline) أو [StableDiffusionXLPipeline](/docs/diffusers/main/ar/api/pipelines/stable_diffusion/stable_diffusion_xl#diffusers.StableDiffusionXLPipeline) بسرعة فائقة. | |
| للاستخدام مع Stable Diffusion v-2.1: | |
| ```python | |
| import torch | |
| from diffusers import DiffusionPipeline, AutoencoderTiny | |
| pipe = DiffusionPipeline.from_pretrained( | |
| "stabilityai/stable-diffusion-2-1-base", dtype=torch.float16 | |
| ) | |
| pipe.vae = AutoencoderTiny.from_pretrained("madebyollin/taesd", dtype=torch.float16) | |
| pipe = pipe.to("cuda") # or "mps", "xpu", "cpu" | |
| prompt = "slice of delicious New York-style berry cheesecake" | |
| image = pipe(prompt, num_inference_steps=25).images[0] | |
| image | |
| ``` | |
| للاستخدام مع Stable Diffusion XL 1.0 | |
| ```python | |
| import torch | |
| from diffusers import DiffusionPipeline, AutoencoderTiny | |
| pipe = DiffusionPipeline.from_pretrained( | |
| "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16 | |
| ) | |
| pipe.vae = AutoencoderTiny.from_pretrained("madebyollin/taesdxl", dtype=torch.float16) | |
| pipe = pipe.to("cuda") # or "mps", "xpu", "cpu" | |
| prompt = "slice of delicious New York-style berry cheesecake" | |
| image = pipe(prompt, num_inference_steps=25).images[0] | |
| image | |
| ``` | |
| ## AutoencoderTiny[[diffusers.AutoencoderTiny]] | |
| #### diffusers.AutoencoderTiny[[diffusers.AutoencoderTiny]] | |
| ```python | |
| diffusers.AutoencoderTiny(in_channels: int = 3, out_channels: int = 3, encoder_block_out_channels: tuple[int, ...] = (64, 64, 64, 64), decoder_block_out_channels: tuple[int, ...] = (64, 64, 64, 64), act_fn: str = 'relu', upsample_fn: str = 'nearest', latent_channels: int = 4, upsampling_scaling_factor: int = 2, num_encoder_blocks: tuple[int, ...] = (1, 3, 3, 3), num_decoder_blocks: tuple[int, ...] = (3, 3, 3, 1), latent_magnitude: int = 3, latent_shift: float = 0.5, force_upcast: bool = False, scaling_factor: float = 1.0, shift_factor: float = 0.0) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_tiny.py#L40) | |
| **المعاملات:** | |
| in_channels (`int`، *اختياري*، القيمة الافتراضية 3) : عدد القنوات في الصورة المدخلة. | |
| out_channels (`int`، *اختياري*، القيمة الافتراضية 3) : عدد القنوات في المخرجات. | |
| encoder_block_out_channels (`tuple[int]`، *اختياري*، القيمة الافتراضية `(64, 64, 64, 64)`) : مجموعة من الأعداد الصحيحة تمثل عدد قنوات الإخراج لكل كتلة مشفّرة. يجب أن يكون طول المجموعة مساويًا لعدد الكتل المشفّرة. | |
| decoder_block_out_channels (`tuple[int]`، *اختياري*، القيمة الافتراضية `(64, 64, 64, 64)`) : مجموعة من الأعداد الصحيحة تمثل عدد قنوات الإخراج لكل كتلة فك ترميز. يجب أن يكون طول المجموعة مساويًا لعدد كتل فك الترميز. | |
| act_fn (`str`، *اختياري*، القيمة الافتراضية `"relu"`) : دالة التنشيط المستخدمة في جميع أنحاء النموذج. | |
| latent_channels (`int`، *اختياري*، القيمة الافتراضية 4) : عدد القنوات في التمثيل الكامن. يعمل الفضاء الكامن كتمثيل مضغوط للصورة المدخلة. | |
| upsampling_scaling_factor (`int`، *اختياري*، القيمة الافتراضية 2) : معامل التوسيع في المُفكِّك. يحدد حجم الصورة الناتجة أثناء عملية التوسيع. | |
| num_encoder_blocks (`tuple[int]`، *اختياري*، القيمة الافتراضية `(1, 3, 3, 3)`) : مجموعة من الأعداد الصحيحة تمثل عدد كتل المُشفِّر في كل مرحلة من مراحل عملية التشفير. يجب أن يكون طول المجموعة مساويًا لعدد المراحل في المُشفِّر. لكل مرحلة عدد مختلف من كتل المُشفِّر. | |
| num_decoder_blocks (`tuple[int]`، *اختياري*، القيمة الافتراضية `(3, 3, 3, 1)`) : مجموعة من الأعداد الصحيحة تمثل عدد كتل فك الترميز في كل مرحلة من مراحل عملية فك الترميز. يجب أن يكون طول المجموعة مساويًا لعدد المراحل في فك الترميز. لكل مرحلة عدد مختلف من كتل فك الترميز. | |
| latent_magnitude (`float`، *اختياري*، القيمة الافتراضية 3.0) : مقدار التمثيل الكامن. يقوم هذا المعامل بمقياس قيم التمثيل الكامن للتحكم في مدى الحفاظ على المعلومات. | |
| latent_shift (float, *اختياري*, القيمة الافتراضية 0.5) : الإزاحة المطبّقة على التمثيل الكامن. يتحكم هذا المعامل في مركز الفضاء الكامن. | |
| scaling_factor (`float`، *اختياري*، القيمة الافتراضية 1.0) : الانحراف المعياري لكل مكوّن في الفضاء الكامن المُدرَّب، المُحسوب باستخدام الدفعة الأولى من مجموعة التدريب. يُستخدم هذا لتقريب الفضاء الكامن ليصبح بتباين وحدة عند تدريب نموذج الانتشار. يتم تقريب الكمونات باستخدام الصيغة `z = z * scaling_factor` قبل تمريرها إلى نموذج الانتشار. عند فك الترميز، تُعاد الكمونات إلى المقياس الأصلي باستخدام الصيغة: `z = 1 / scaling_factor * z`. لمزيد من التفاصيل، راجع الأقسام 4.3.2 و D.1 من ورقة [High-Resolution Image Synthesis with Latent Diffusion Models](https://huggingface.co/papers/2112.10752). ومع ذلك، لم يُستخدم أي عامل تقريب من هذا النوع لهذا المُشفِّر-المفكِّك التلقائي، ومن هنا جاءت القيمة 1.0 كقيمة افتراضية. | |
| force_upcast (`bool`، *اختياري*، الافتراضي `False`) : إذا تم تفعيله، سيُجبر هذا الخيار VAE على العمل بدقة float32 في خطوط الأنابيب ذات دقة الصور العالية، مثل SD-XL. يمكن ضبط VAE الدقيق / تدريبه على نطاق أدنى دون فقدان كبير في الدقة، وفي هذه الحالة يمكن تعيين `force_upcast` إلى `False` (انظر هذا [AutoEncoder](https://huggingface.co/madebyollin/sdxl-vae-fp16-fix) المتوافق مع fp16). | |
| نموذج VAE مُصغَّر مُقطَّر لتشفير الصور إلى تمثيلات كامنة وفك تشفير التمثيلات الكامنة إلى صور. | |
| [AutoencoderTiny](/docs/diffusers/main/ar/api/models/autoencoder_tiny#diffusers.AutoencoderTiny) هو غلاف حول التنفيذ الأصلي لـ `TAESD`. | |
| يرث هذا النموذج من [ModelMixin](/docs/diffusers/main/ar/api/models/overview#diffusers.ModelMixin). راجع توثيق الفئة الأصلية لمعرفة طرقها العامة المُنفَّذة لجميع النماذج (مثل التنزيل أو الحفظ). | |
| #### forward[[diffusers.AutoencoderTiny.forward]] | |
| ```python | |
| forward(sample: Tensor, return_dict: bool = True) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_tiny.py#L291) | |
| **المعاملات:** | |
| sample (`torch.Tensor`) : عينة الإدخال. | |
| return_dict (`bool`، *اختياري*، الافتراضي `True`) : ما إذا كان يجب إرجاع `DecoderOutput` بدلاً من tuple عادي. | |
| **يعيد:** `DecoderOutput` أو `tuple` | |
| إذا كان `return_dict` صحيحًا، يُعاد `DecoderOutput`، وإلا يُعاد `tuple` عادي. | |
| #### scale_latents[[diffusers.AutoencoderTiny.scale_latents]] | |
| ```python | |
| scale_latents(x: Tensor) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_tiny.py#L156) | |
| القيم الكامنة الخام -> [0, 1] | |
| #### unscale_latents[[diffusers.AutoencoderTiny.unscale_latents]] | |
| ```python | |
| unscale_latents(x: Tensor) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_tiny.py#L160) | |
| [0, 1] -> الكامنات الخام | |
| ## AutoencoderTinyOutput[[diffusers.models.autoencoders.autoencoder_tiny.AutoencoderTinyOutput]] | |
| #### diffusers.models.autoencoders.autoencoder_tiny.AutoencoderTinyOutput[[diffusers.models.autoencoders.autoencoder_tiny.AutoencoderTinyOutput]] | |
| ```python | |
| diffusers.models.autoencoders.autoencoder_tiny.AutoencoderTinyOutput(latents: Tensor) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_tiny.py#L28) | |
| **المعاملات:** | |
| latents (`torch.Tensor`) : المخرجات المُرمّزة من `Encoder`. | |
| مخرجات طريقة الترميز encoding في AutoencoderTiny. | |
Xet Storage Details
- Size:
- 9.62 kB
- Xet hash:
- 85984f517e0b8bd505e151e8017dc8ee3b3f7cf04dd9e5629fe42e60dc7c0f25
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.