Buckets:
| # AutoencoderKLKVAE | |
| El modelo de autoencoder variacional (VAE) 2D con pérdida KL. | |
| El modelo se puede cargar con el siguiente fragmento de código. | |
| ```python | |
| import torch | |
| from diffusers import AutoencoderKLKVAE | |
| vae = AutoencoderKLKVAE.from_pretrained("kandinskylab/KVAE-2D-1.0", subfolder="diffusers", dtype=torch.bfloat16) | |
| ``` | |
| ## AutoencoderKLKVAE[[diffusers.AutoencoderKLKVAE]] | |
| #### diffusers.AutoencoderKLKVAE[[diffusers.AutoencoderKLKVAE]] | |
| ```python | |
| diffusers.AutoencoderKLKVAE(in_channels: int = 3, channels: int = 128, num_enc_blocks: int = 2, num_dec_blocks: int = 2, z_channels: int = 16, double_z: bool = True, ch_mult: typing.Tuple[int, ...] = (1, 2, 4, 8), sample_size: int = 1024) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L521) | |
| **Parámetros:** | |
| in_channels (int, *opcional*, valor predeterminado 3) : Número de canales en la imagen de entrada. | |
| channels (int, *opcional*, valor predeterminado 128) : El número base de canales en los bloques multiresolución. | |
| num_enc_blocks (int, *opcional*, valor predeterminado 2) : El número de bloques Resnet en las capas multiresolución del codificador. | |
| num_dec_blocks (int, *opcional*, valor predeterminado 2) : El número de bloques Resnet en las capas multiresolución del decodificador. | |
| z_channels (int, *opcional*, valor predeterminado 16) : Número de canales en el espacio latente. | |
| double_z (`bool`, *opcional*, valor predeterminado `True`) : Si se debe duplicar el número de canales de salida del codificador. | |
| ch_mult (`Tuple[int, ...]`, *opcional*, por defecto `(1, 2, 4, 8)`) : Los multiplicadores de canal en los bloques multirresolución. | |
| sample_size (`int`, *opcional*, valor predeterminado `1024`) : Tamaño de entrada de muestra. | |
| Un modelo VAE con pérdida KL para codificar imágenes en latentes y decodificar representaciones latentes en imágenes. | |
| Este modelo hereda de [ModelMixin](/docs/diffusers/main/es/api/models/overview#diffusers.ModelMixin). Consulta la documentación de la superclase para sus métodos genéricos implementados para todos los modelos (como la descarga o el guardado). | |
| #### decode[[diffusers.AutoencoderKLKVAE.decode]] | |
| ```python | |
| decode(z: FloatTensor, return_dict: bool = True, generator = None) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L642) | |
| **Parámetros:** | |
| z (`torch.Tensor`) : Lote de entrada de vectores latentes. | |
| return_dict (`bool`, *opcional*, por defecto `True`) : Si se debe devolver un `~models.vae.DecoderOutput` en lugar de una tupla simple. | |
| **Devuelve:** `~models.vae.DecoderOutput` o `tuple` | |
| Si return_dict es True, se devuelve un `~models.vae.DecoderOutput`; en caso contrario, se devuelve una `tuple` simple. | |
| Decodificar un lote de imágenes. | |
| #### encode[[diffusers.AutoencoderKLKVAE.encode]] | |
| ```python | |
| encode(x: Tensor, return_dict: bool = True) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L602) | |
| **Parámetros:** | |
| x (`torch.Tensor`) : Lote de entrada de imágenes. | |
| return_dict (`bool`, *opcional*, valor predeterminado `True`) : Si se debe devolver un `~models.autoencoder_kl.AutoencoderKLOutput` en lugar de una tupla simple. | |
| **Devuelve:** | |
| Las representaciones latentes de las imágenes codificadas. Si `return_dict` es True, se devuelve un `~models.autoencoder_kl.AutoencoderKLOutput`; de lo contrario, se devuelve una `tuple` simple. | |
| Codifica un lote de imágenes en latentes. | |
| #### forward[[diffusers.AutoencoderKLKVAE.forward]] | |
| ```python | |
| forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L776) | |
| **Parámetros:** | |
| sample (`torch.Tensor`) : Muestra de entrada. | |
| sample_posterior (`bool`, *opcional*, por defecto `False`) : Si se muestrea de la posterior. | |
| return_dict (`bool`, *opcional*, por defecto `True`) : Si se devuelve un `DecoderOutput` en lugar de una tupla simple. | |
| generator (`torch.Generator`, *opcional*) : Un [`torch.Generator`](https://pytorch.org/docs/stable/generated/torch.Generator.html) para hacer que la muestreo sea determinista. | |
| **Devuelve:** `~models.vae.DecoderOutput` o `tuple` | |
| Si `return_dict` es True, se devuelve un `~models.vae.DecoderOutput`; en caso contrario, se devuelve una `tuple` simple. | |
| #### tiled_decode[[diffusers.AutoencoderKLKVAE.tiled_decode]] | |
| ```python | |
| tiled_decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L729) | |
| **Parámetros:** | |
| z (`torch.Tensor`) : Lote de entrada de vectores latentes. | |
| return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un `~models.vae.DecoderOutput` en lugar de una tupla simple. | |
| **Devuelve:** `~models.vae.DecoderOutput` o `tuple` | |
| Si return_dict es True, se devuelve un `~models.vae.DecoderOutput`; en caso contrario, se devuelve una `tuple` simple. | |
| Decodificar un lote de imágenes usando un decodificador por mosaicos. | |
Xet Storage Details
- Size:
- 5.26 kB
- Xet hash:
- 60498bfbeb2af7fe9d70475c7b21c33026cd0b7ee2e9e514159c12676142efe8
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.