Buckets:
| # StableCascadeUNet | |
| Un modèle UNet issu du [pipeline Stable Cascade](../pipelines/stable_cascade). | |
| ## StableCascadeUNet[[diffusers.models.StableCascadeUNet]] | |
| #### diffusers.models.StableCascadeUNet[[diffusers.models.StableCascadeUNet]] | |
| ```python | |
| diffusers.models.StableCascadeUNet(in_channels: int = 16, out_channels: int = 16, timestep_ratio_embedding_dim: int = 64, patch_size: int = 1, conditioning_dim: int = 2048, block_out_channels: tuple[int, ...] = (2048, 2048), num_attention_heads: tuple[int, ...] = (32, 32), down_num_layers_per_block: tuple[int, ...] = (8, 24), up_num_layers_per_block: tuple[int, ...] = (24, 8), down_blocks_repeat_mappers: tuple[int] | None = (1, 1), up_blocks_repeat_mappers: tuple[int] | None = (1, 1), block_types_per_layer: tuple[tuple[str]] = (('SDCascadeResBlock', 'SDCascadeTimestepBlock', 'SDCascadeAttnBlock'), ('SDCascadeResBlock', 'SDCascadeTimestepBlock', 'SDCascadeAttnBlock')), clip_text_in_channels: int | None = None, clip_text_pooled_in_channels = 1280, clip_image_in_channels: int | None = None, clip_seq = 4, effnet_in_channels: int | None = None, pixel_mapper_in_channels: int | None = None, kernel_size = 3, dropout: float | tuple[float] = (0.1, 0.1), self_attn: bool | tuple[bool] = True, timestep_conditioning_type: tuple[str, ...] = ('sca', 'crp'), switch_level: tuple[bool] | None = None) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/unets/unet_stable_cascade.py#L136) | |
| #### forward[[diffusers.models.StableCascadeUNet.forward]] | |
| ```python | |
| forward(sample, timestep_ratio, clip_text_pooled, clip_text = None, clip_img = None, effnet = None, pixels = None, sca = None, crp = None, return_dict = True) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/unets/unet_stable_cascade.py#L538) | |
| **Paramètres :** | |
| sample (`torch.Tensor`) : L'échantillon d'entrée bruité. | |
| timestep_ratio (`torch.Tensor`) : Ratio de pas de temps utilisé pour calculer l'incorporation du pas de temps. | |
| clip_text_pooled (`torch.Tensor`) : Embeddings de texte CLIP agrégés. | |
| clip_text (`torch.Tensor`, *facultatif*) : Embeddings de texte CLIP au niveau de la séquence. | |
| clip_img (`torch.Tensor`, *facultatif*) : embeddings d'images CLIP. | |
| effnet (`torch.Tensor`, *facultatif*) : carte de caractéristiques EfficientNet utilisée comme conditionnement supplémentaire. | |
| pixels (`torch.Tensor`, *facultatif*) : Tenseur de conditionnement au niveau des pixels. Si `None`, un tenseur de zéros est utilisé. | |
| sca (`torch.Tensor`, *facultatif*) : Valeur de conditionnement `sca` facultative utilisée pour construire l'embedding de timestep. | |
| crp (`torch.Tensor`, *facultatif*) : Valeur de conditionnement `crp` facultative utilisée pour construire l'embedding de timestep. | |
| return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `StableCascadeUNetOutput` plutôt qu'un simple tuple. | |
| **Retourne :** | |
| Si `return_dict` est True, un `StableCascadeUNetOutput` est renvoyé, sinon un `tuple` dont le premier élément est le tenseur d'échantillon. | |
Xet Storage Details
- Size:
- 3.09 kB
- Xet hash:
- 047f414e9a0c680d208bc382bd653fdab4395ca8a687cdec9fc2a0d15ab401ff
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.