Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /id /api /pipelines /bria_3_2.md

mishig

about 4 hours ago

preview code

download

raw

12.8 kB

# Bria 3.2

Bria 3.2 adalah model teks-ke-gambar komersial siap pakai generasi berikutnya. Dengan hanya 4 miliar parameter, model ini memberikan estetika dan render teks yang luar biasa, dievaluasi untuk menghasilkan hasil yang setara dengan model open-source terkemuka, dan melampaui model berlisensi lainnya. Selain dibangun sepenuhnya di atas data berlisensi, 3.2 memberikan beberapa keunggulan untuk penggunaan perusahaan dan komersial:

- Komputasi Efisien - model ini 3 kali lebih kecil dibandingkan model setara di pasaran (4B parameter vs 12B parameter pada model open source lainnya)
- Konsistensi Arsitektur: Arsitektur yang sama dengan 3.1—ideal untuk pengguna yang ingin melakukan peningkatan tanpa gangguan.
- Percepatan Fine-tuning: fine-tuning 2x lebih cepat di L40S dan A100.

Checkpoint model asli untuk Bria 3.2 dipublikasikan di `briaai/BRIA-3.2`, yang tidak lagi tersedia di Hub. Repo Github untuk Bria 3.2 dapat ditemukan [di sini](https://github.com/Bria-AI/BRIA-3.2).

Jika Anda ingin mempelajari lebih lanjut tentang platform Bria dan mendapatkan akses traril gratis, silakan kunjungi [bria.ai](https://bria.ai).

## Penggunaan

Gunakan perintah di bawah ini untuk masuk:

```bash
hf auth login
```

## BriaPipeline[[diffusers.BriaPipeline]]

#### diffusers.BriaPipeline[[diffusers.BriaPipeline]]

```python
diffusers.BriaPipeline(transformer: BriaTransformer2DModel, scheduler: diffusers.schedulers.scheduling_flow_match_euler_discrete.FlowMatchEulerDiscreteScheduler | diffusers.schedulers.scheduling_utils.KarrasDiffusionSchedulers, vae: AutoencoderKL, text_encoder: T5EncoderModel, tokenizer: T5Tokenizer, image_encoder: CLIPVisionModelWithProjection = None, feature_extractor: CLIPImageProcessorPil = None)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/bria/pipeline_bria.py#L89)

**Parameter:**

transformer ([BriaTransformer2DModel](/docs/diffusers/main/id/api/models/bria_transformer#diffusers.BriaTransformer2DModel)) : Arsitektur Conditional Transformer (MMDiT) untuk mendenoise latens gambar yang telah dikodekan.

scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/id/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Penjadwal yang digunakan bersama `transformer` untuk menghilangkan noise pada latens gambar yang telah dikodekan.

vae ([AutoencoderKL](/docs/diffusers/main/id/api/models/autoencoderkl#diffusers.AutoencoderKL)) : Model Variational Auto-Encoder (VAE) untuk mengodekan dan mendekodekan gambar ke dan dari representasi laten.

text_encoder (`T5EncoderModel`) : Text-encoder yang dibekukan. Bria menggunakan [T5](https://huggingface.co/docs/transformers/model_doc/t5#transformers.T5EncoderModel), khususnya varian [t5-v1_1-xxl](https://huggingface.co/google/t5-v1_1-xxl).
tokenizer (`T5TokenizerFast`) : Tokenizer dari kelas [T5Tokenizer](https://huggingface.co/docs/transformers/model_doc/t5#transformers.T5Tokenizer).
Berdasarkan FluxPipeline dengan beberapa perubahan:
- tidak ada embedding yang dipool
- Kami menggunakan zero padding untuk prompt
- Tidak ada guidance embedding karena ini bukan versi yang telah di-distil
#### __call__[[diffusers.BriaPipeline.__call__]]
```python
__call__(prompt: str | list[str] = None, height: int | None = None, width: int | None = None, num_inference_steps: int = 30, timesteps: list[int] = None, guidance_scale: float = 5, negative_prompt: str | list[str] | None = None, num_images_per_prompt: int | None = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.FloatTensor] = None, prompt_embeds: typing.Optional[torch.FloatTensor] = None, negative_prompt_embeds: typing.Optional[torch.FloatTensor] = None, output_type: str | None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None, callback_on_step_end: typing.Optional[typing.Callable[[int, int], NoneType]] = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], max_sequence_length: int = 128, clip_value: None | float = None, normalize: bool = False)
```
[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/bria/pipeline_bria.py#L448)
**Parameter:**
prompt (`str` atau `list[str]`, *opsional*) : Prompt atau prompt-prompt untuk mengarahkan generasi gambar. Jika tidak didefinisikan, Anda harus melewatkan `prompt_embeds` sebagai gantinya.

height (`int`, *opsional*, defaultnya self.unet.config.sample_size * self.vae_scale_factor) : Tinggi gambar yang dihasilkan dalam piksel. Ini diatur ke 1024 secara default untuk hasil terbaik.
width (`int`, *opsional*, defaultnya self.unet.config.sample_size * self.vae_scale_factor) : Lebar gambar yang dihasilkan dalam piksel. Ini diatur ke 1024 secara default untuk hasil terbaik.

num_inference_steps (`int`, *opsional*, defaultnya 50) : Jumlah langkah denoising. Semakin banyak langkah denoising, biasanya menghasilkan gambar dengan kualitas lebih tinggi, namun dengan biaya inferensi yang lebih lambat.

timesteps (`list[int]`, *opsional*) : Timesteps kustom untuk digunakan dalam proses denoising dengan scheduler yang mendukung argumen `timesteps` di metode `set_timesteps` mereka. Jika tidak didefinisikan, perilaku default saat `num_inference_steps` diteruskan akan digunakan. Harus dalam urutan menurun.

guidance_scale (`float`, *opsional*, default 5.0) --
**Mengembalikan:** `~pipelines.bria.BriaPipelineOutput` atau `tuple`
`~pipelines.bria.BriaPipelineOutput` jika `return_dict` bernilai True, selain itu berupa `tuple`. Saat mengembalikan tuple, elemen pertama adalah daftar berisi gambar yang dihasilkan.

Fungsi yang dipanggil saat memanggil pipeline untuk generasi.

<<<<<<< HEAD Skala panduan seperti yang didefinisikan dalam [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` didefinisikan sebagai `w` dari persamaan 2. pada [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Skala panduan diaktifkan dengan mengatur `guidance_scale > 1`. Skala panduan yang lebih tinggi mendorong penggenerasian gambar yang sangat terkait dengan teks `prompt`, biasanya dengan mengorbankan kualitas gambar yang lebih rendah. negative_prompt (`str` atau `list[str]`, *opsional*): ======= Skala panduan seperti yang didefinisikan dalam [Classifier-Free Diffusion Guidance](https://huggingface.co/papers/2207.12598). `guidance_scale` didefinisikan sebagai `w` dari persamaan 2. pada [Imagen Paper](https://huggingface.co/papers/2205.11487). Skala panduan diaktifkan dengan mengatur `guidance_scale > 1`. Skala panduan yang lebih tinggi mendorong penggenerasian gambar yang sangat terkait dengan teks `prompt`, biasanya dengan mengorbankan kualitas gambar yang lebih rendah. negative_prompt (`str` atau `list[str]`, *opsional*):
>>>>>>> main
Prompt atau prompt-prompt yang tidak digunakan untuk memandu generasi gambar. Jika tidak didefinisikan, Anda harus meneruskan `negative_prompt_embeds` sebagai gantinya. Diabaikan saat tidak menggunakan panduan (yaitu, diabaikan jika `guidance_scale` kurang dari `1`). num_images_per_prompt (`int`, *opsional*, default 1): Jumlah gambar yang akan dihasilkan per prompt. generator (`torch.Generator` atau `list[torch.Generator]`, *opsional*): Satu atau daftar [generator torch](https://pytorch.org/docs/stable/generated/torch.Generator.html) untuk membuat generasi menjadi deterministik. latents (`torch.FloatTensor`, *opsional*): Latents berisik yang telah dihasilkan sebelumnya, diambil dari distribusi Gaussian, untuk digunakan sebagai input untuk generasi gambar. Dapat digunakan untuk menyesuaikan generasi yang sama dengan prompt yang berbeda. Jika tidak disediakan, tensor latents akan dihasilkan dengan pengambilan sampel menggunakan `generator` acak yang disediakan. prompt_embeds (`torch.FloatTensor`, *opsional*): Embedding teks yang telah dihasilkan sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, *mis.* pembobotan prompt. Jika tidak disediakan, embedding teks akan dihasilkan dari argumen input `prompt`. negative_prompt_embeds (`torch.FloatTensor`, *opsional*): Embedding teks negatif yang telah dihasilkan sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, *mis.* pembobotan prompt. Jika tidak disediakan, negative_prompt_embeds akan dihasilkan dari argumen input `negative_prompt`. output_type (`str`, *opsional*, default `"pil"`): Format output dari gambar yang dihasilkan. Pilih antara [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` atau `np.array`. return_dict (`bool`, *opsional*, default `True`): Apakah akan mengembalikan `~pipelines.bria.BriaPipelineOutput` atau tuple polos. attention_kwargs (`dict`, *opsional*): Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py). callback_on_step_end (`Callable`, *opsional*): Fungsi yang dipanggil di akhir setiap langkah denoising selama inferensi. Fungsi ini dipanggil dengan argumen berikut: `callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)`. `callback_kwargs` akan mencakup daftar semua tensor seperti yang ditentukan oleh `callback_on_step_end_tensor_inputs`. callback_on_step_end_tensor_inputs (`list`, *opsional*): Daftar input tensor untuk fungsi `callback_on_step_end`. Tensor yang ditentukan dalam daftar akan diteruskan sebagai argumen `callback_kwargs`. Anda hanya dapat menyertakan variabel yang terdaftar dalam atribut `._callback_tensor_inputs` dari kelas pipeline Anda. max_sequence_length (`int` default 256): Panjang urutan maksimum untuk digunakan dengan `prompt`. clip_value (`float`, *opsional*): Jika diset, noise yang diprediksi akan dipangkas ke rentang `[-clip_value, clip_value]` pada setiap langkah denoising. normalize (`bool`, *opsional*, default `False`): Apakah akan menormalisasi noise yang diprediksi pada setiap langkah denoising.

Contoh:
```py
>>> import torch
>>> from diffusers import BriaPipeline
>>> pipe = BriaPipeline.from_pretrained("briaai/BRIA-3.2", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
# BRIA's T5 text encoder is sensitive to precision. We need to cast it to bfloat16 and keep the final layer in float32.
>>> pipe.text_encoder = pipe.text_encoder.to(dtype=torch.bfloat16)
>>> for block in pipe.text_encoder.encoder.block:
...     block.layer[-1].DenseReluDense.wo.to(dtype=torch.float32)
# BRIA's VAE is not supported in mixed precision, so we use float32.
>>> if pipe.vae.config.shift_factor == 0:
...     pipe.vae.to(dtype=torch.float32)
>>> prompt = "Photorealistic food photography of a stack of fluffy pancakes on a white plate, with maple syrup being poured over them. On top of the pancakes are the words 'BRIA 3.2' in bold, yellow, 3D letters. The background is dark and out of focus."
>>> image = pipe(prompt).images[0]
>>> image.save("bria.png")
```

#### encode_prompt[[diffusers.BriaPipeline.encode_prompt]]

```python
encode_prompt(prompt: str | list[str], device: typing.Optional[torch.device] = None, num_images_per_prompt: int = 1, do_classifier_free_guidance: bool = True, negative_prompt: str | list[str] | None = None, prompt_embeds: typing.Optional[torch.FloatTensor] = None, negative_prompt_embeds: typing.Optional[torch.FloatTensor] = None, max_sequence_length: int = 128, lora_scale: float | None = None)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/bria/pipeline_bria.py#L146)

**Parameter:**

prompt (`str` atau `list[str]`, *opsional*) : prompt yang akan dienkod

device : (`torch.device`): perangkat torch

num_images_per_prompt (`int`) : jumlah gambar yang harus dihasilkan per prompt
do_classifier_free_guidance (`bool`) : apakah akan menggunakan classifier free guidance atau tidak

negative_prompt (`str` atau `list[str]`, *opsional*) : Prompt atau prompt-prompt yang tidak akan memandu generasi gambar. Jika tidak didefinisikan, Anda harus meneruskan `negative_prompt_embeds` sebagai gantinya. Diabaikan saat tidak menggunakan guidance (yaitu, diabaikan jika `guidance_scale` kurang dari `1`).

prompt_embeds (`torch.FloatTensor`, *opsional*) : Embedding teks yang sudah dibuat sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, *misalnya* penimbangan prompt. Jika tidak disediakan, embedding teks akan dihasilkan dari argumen input `prompt`.
negative_prompt_embeds (`torch.FloatTensor`, *opsional*) : Embedding teks negatif yang telah dibuat sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, *misalnya* penimbangan prompt. Jika tidak disediakan, negative_prompt_embeds akan dibuat dari argumen input `negative_prompt`.

Xet Storage Details

Size:: 12.8 kB
Xet hash:: 424668f444781c6459450c6abaf5cd70555dc415faee4819e2cd49c63791b70a

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# Bria 3.2

	Bria 3.2 adalah model teks-ke-gambar komersial siap pakai generasi berikutnya. Dengan hanya 4 miliar parameter, model ini memberikan estetika dan render teks yang luar biasa, dievaluasi untuk menghasilkan hasil yang setara dengan model open-source terkemuka, dan melampaui model berlisensi lainnya. Selain dibangun sepenuhnya di atas data berlisensi, 3.2 memberikan beberapa keunggulan untuk penggunaan perusahaan dan komersial:

	- Komputasi Efisien - model ini 3 kali lebih kecil dibandingkan model setara di pasaran (4B parameter vs 12B parameter pada model open source lainnya)
	- Konsistensi Arsitektur: Arsitektur yang sama dengan 3.1—ideal untuk pengguna yang ingin melakukan peningkatan tanpa gangguan.
	- Percepatan Fine-tuning: fine-tuning 2x lebih cepat di L40S dan A100.

	Checkpoint model asli untuk Bria 3.2 dipublikasikan di `briaai/BRIA-3.2`, yang tidak lagi tersedia di Hub. Repo Github untuk Bria 3.2 dapat ditemukan [di sini](https://github.com/Bria-AI/BRIA-3.2).

	Jika Anda ingin mempelajari lebih lanjut tentang platform Bria dan mendapatkan akses traril gratis, silakan kunjungi [bria.ai](https://bria.ai).

	## Penggunaan

	Gunakan perintah di bawah ini untuk masuk:

	```bash
	hf auth login
	```

	## BriaPipeline[[diffusers.BriaPipeline]]

	#### diffusers.BriaPipeline[[diffusers.BriaPipeline]]

	```python
	diffusers.BriaPipeline(transformer: BriaTransformer2DModel, scheduler: diffusers.schedulers.scheduling_flow_match_euler_discrete.FlowMatchEulerDiscreteScheduler \| diffusers.schedulers.scheduling_utils.KarrasDiffusionSchedulers, vae: AutoencoderKL, text_encoder: T5EncoderModel, tokenizer: T5Tokenizer, image_encoder: CLIPVisionModelWithProjection = None, feature_extractor: CLIPImageProcessorPil = None)
	```

	[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/bria/pipeline_bria.py#L89)

	Parameter:

	transformer ([BriaTransformer2DModel](/docs/diffusers/main/id/api/models/bria_transformer#diffusers.BriaTransformer2DModel)) : Arsitektur Conditional Transformer (MMDiT) untuk mendenoise latens gambar yang telah dikodekan.

	scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/id/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Penjadwal yang digunakan bersama `transformer` untuk menghilangkan noise pada latens gambar yang telah dikodekan.

	vae ([AutoencoderKL](/docs/diffusers/main/id/api/models/autoencoderkl#diffusers.AutoencoderKL)) : Model Variational Auto-Encoder (VAE) untuk mengodekan dan mendekodekan gambar ke dan dari representasi laten.

	text_encoder (`T5EncoderModel`) : Text-encoder yang dibekukan. Bria menggunakan [T5](https://huggingface.co/docs/transformers/model_doc/t5#transformers.T5EncoderModel), khususnya varian [t5-v1_1-xxl](https://huggingface.co/google/t5-v1_1-xxl).

	tokenizer (`T5TokenizerFast`) : Tokenizer dari kelas [T5Tokenizer](https://huggingface.co/docs/transformers/model_doc/t5#transformers.T5Tokenizer).

	Berdasarkan FluxPipeline dengan beberapa perubahan:
	- tidak ada embedding yang dipool
	- Kami menggunakan zero padding untuk prompt
	- Tidak ada guidance embedding karena ini bukan versi yang telah di-distil

	#### __call__[[diffusers.BriaPipeline.__call__]]

	```python
	__call__(prompt: str \| list[str] = None, height: int \| None = None, width: int \| None = None, num_inference_steps: int = 30, timesteps: list[int] = None, guidance_scale: float = 5, negative_prompt: str \| list[str] \| None = None, num_images_per_prompt: int \| None = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.FloatTensor] = None, prompt_embeds: typing.Optional[torch.FloatTensor] = None, negative_prompt_embeds: typing.Optional[torch.FloatTensor] = None, output_type: str \| None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] \| None = None, callback_on_step_end: typing.Optional[typing.Callable[[int, int], NoneType]] = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], max_sequence_length: int = 128, clip_value: None \| float = None, normalize: bool = False)
	```

	[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/bria/pipeline_bria.py#L448)

	Parameter:

	prompt (`str` atau `list[str]`, opsional) : Prompt atau prompt-prompt untuk mengarahkan generasi gambar. Jika tidak didefinisikan, Anda harus melewatkan `prompt_embeds` sebagai gantinya.

	height (`int`, opsional, defaultnya self.unet.config.sample_size * self.vae_scale_factor) : Tinggi gambar yang dihasilkan dalam piksel. Ini diatur ke 1024 secara default untuk hasil terbaik.

	width (`int`, opsional, defaultnya self.unet.config.sample_size * self.vae_scale_factor) : Lebar gambar yang dihasilkan dalam piksel. Ini diatur ke 1024 secara default untuk hasil terbaik.

	num_inference_steps (`int`, opsional, defaultnya 50) : Jumlah langkah denoising. Semakin banyak langkah denoising, biasanya menghasilkan gambar dengan kualitas lebih tinggi, namun dengan biaya inferensi yang lebih lambat.

	timesteps (`list[int]`, opsional) : Timesteps kustom untuk digunakan dalam proses denoising dengan scheduler yang mendukung argumen `timesteps` di metode `set_timesteps` mereka. Jika tidak didefinisikan, perilaku default saat `num_inference_steps` diteruskan akan digunakan. Harus dalam urutan menurun.

	guidance_scale (`float`, opsional, default 5.0) --

	Mengembalikan: `~pipelines.bria.BriaPipelineOutput` atau `tuple`

	`~pipelines.bria.BriaPipelineOutput` jika `return_dict` bernilai True, selain itu berupa `tuple`. Saat mengembalikan tuple, elemen pertama adalah daftar berisi gambar yang dihasilkan.

	Fungsi yang dipanggil saat memanggil pipeline untuk generasi.

	<<<<<<< HEAD Skala panduan seperti yang didefinisikan dalam [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` didefinisikan sebagai `w` dari persamaan 2. pada [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Skala panduan diaktifkan dengan mengatur `guidance_scale > 1`. Skala panduan yang lebih tinggi mendorong penggenerasian gambar yang sangat terkait dengan teks `prompt`, biasanya dengan mengorbankan kualitas gambar yang lebih rendah. negative_prompt (`str` atau `list[str]`, opsional): ======= Skala panduan seperti yang didefinisikan dalam [Classifier-Free Diffusion Guidance](https://huggingface.co/papers/2207.12598). `guidance_scale` didefinisikan sebagai `w` dari persamaan 2. pada [Imagen Paper](https://huggingface.co/papers/2205.11487). Skala panduan diaktifkan dengan mengatur `guidance_scale > 1`. Skala panduan yang lebih tinggi mendorong penggenerasian gambar yang sangat terkait dengan teks `prompt`, biasanya dengan mengorbankan kualitas gambar yang lebih rendah. negative_prompt (`str` atau `list[str]`, opsional):
	>>>>>>> main
	Prompt atau prompt-prompt yang tidak digunakan untuk memandu generasi gambar. Jika tidak didefinisikan, Anda harus meneruskan `negative_prompt_embeds` sebagai gantinya. Diabaikan saat tidak menggunakan panduan (yaitu, diabaikan jika `guidance_scale` kurang dari `1`). num_images_per_prompt (`int`, opsional, default 1): Jumlah gambar yang akan dihasilkan per prompt. generator (`torch.Generator` atau `list[torch.Generator]`, opsional): Satu atau daftar [generator torch](https://pytorch.org/docs/stable/generated/torch.Generator.html) untuk membuat generasi menjadi deterministik. latents (`torch.FloatTensor`, opsional): Latents berisik yang telah dihasilkan sebelumnya, diambil dari distribusi Gaussian, untuk digunakan sebagai input untuk generasi gambar. Dapat digunakan untuk menyesuaikan generasi yang sama dengan prompt yang berbeda. Jika tidak disediakan, tensor latents akan dihasilkan dengan pengambilan sampel menggunakan `generator` acak yang disediakan. prompt_embeds (`torch.FloatTensor`, opsional): Embedding teks yang telah dihasilkan sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, mis. pembobotan prompt. Jika tidak disediakan, embedding teks akan dihasilkan dari argumen input `prompt`. negative_prompt_embeds (`torch.FloatTensor`, opsional): Embedding teks negatif yang telah dihasilkan sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, mis. pembobotan prompt. Jika tidak disediakan, negative_prompt_embeds akan dihasilkan dari argumen input `negative_prompt`. output_type (`str`, opsional, default `"pil"`): Format output dari gambar yang dihasilkan. Pilih antara [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` atau `np.array`. return_dict (`bool`, opsional, default `True`): Apakah akan mengembalikan `~pipelines.bria.BriaPipelineOutput` atau tuple polos. attention_kwargs (`dict`, opsional): Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py). callback_on_step_end (`Callable`, opsional): Fungsi yang dipanggil di akhir setiap langkah denoising selama inferensi. Fungsi ini dipanggil dengan argumen berikut: `callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)`. `callback_kwargs` akan mencakup daftar semua tensor seperti yang ditentukan oleh `callback_on_step_end_tensor_inputs`. callback_on_step_end_tensor_inputs (`list`, opsional): Daftar input tensor untuk fungsi `callback_on_step_end`. Tensor yang ditentukan dalam daftar akan diteruskan sebagai argumen `callback_kwargs`. Anda hanya dapat menyertakan variabel yang terdaftar dalam atribut `._callback_tensor_inputs` dari kelas pipeline Anda. max_sequence_length (`int` default 256): Panjang urutan maksimum untuk digunakan dengan `prompt`. clip_value (`float`, opsional): Jika diset, noise yang diprediksi akan dipangkas ke rentang `[-clip_value, clip_value]` pada setiap langkah denoising. normalize (`bool`, opsional, default `False`): Apakah akan menormalisasi noise yang diprediksi pada setiap langkah denoising.

	Contoh:
	```py
	>>> import torch
	>>> from diffusers import BriaPipeline

	>>> pipe = BriaPipeline.from_pretrained("briaai/BRIA-3.2", torch_dtype=torch.bfloat16)
	>>> pipe.to("cuda")
	# BRIA's T5 text encoder is sensitive to precision. We need to cast it to bfloat16 and keep the final layer in float32.

	>>> pipe.text_encoder = pipe.text_encoder.to(dtype=torch.bfloat16)
	>>> for block in pipe.text_encoder.encoder.block:
	... block.layer[-1].DenseReluDense.wo.to(dtype=torch.float32)
	# BRIA's VAE is not supported in mixed precision, so we use float32.

	>>> if pipe.vae.config.shift_factor == 0:
	... pipe.vae.to(dtype=torch.float32)

	>>> prompt = "Photorealistic food photography of a stack of fluffy pancakes on a white plate, with maple syrup being poured over them. On top of the pancakes are the words 'BRIA 3.2' in bold, yellow, 3D letters. The background is dark and out of focus."
	>>> image = pipe(prompt).images[0]
	>>> image.save("bria.png")
	```

	#### encode_prompt[[diffusers.BriaPipeline.encode_prompt]]

	```python
	encode_prompt(prompt: str \| list[str], device: typing.Optional[torch.device] = None, num_images_per_prompt: int = 1, do_classifier_free_guidance: bool = True, negative_prompt: str \| list[str] \| None = None, prompt_embeds: typing.Optional[torch.FloatTensor] = None, negative_prompt_embeds: typing.Optional[torch.FloatTensor] = None, max_sequence_length: int = 128, lora_scale: float \| None = None)
	```

	[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/bria/pipeline_bria.py#L146)

	Parameter:

	prompt (`str` atau `list[str]`, opsional) : prompt yang akan dienkod

	device : (`torch.device`): perangkat torch

	num_images_per_prompt (`int`) : jumlah gambar yang harus dihasilkan per prompt

	do_classifier_free_guidance (`bool`) : apakah akan menggunakan classifier free guidance atau tidak

	negative_prompt (`str` atau `list[str]`, opsional) : Prompt atau prompt-prompt yang tidak akan memandu generasi gambar. Jika tidak didefinisikan, Anda harus meneruskan `negative_prompt_embeds` sebagai gantinya. Diabaikan saat tidak menggunakan guidance (yaitu, diabaikan jika `guidance_scale` kurang dari `1`).

	prompt_embeds (`torch.FloatTensor`, opsional) : Embedding teks yang sudah dibuat sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, misalnya penimbangan prompt. Jika tidak disediakan, embedding teks akan dihasilkan dari argumen input `prompt`.

	negative_prompt_embeds (`torch.FloatTensor`, opsional) : Embedding teks negatif yang telah dibuat sebelumnya. Dapat digunakan untuk dengan mudah menyesuaikan input teks, misalnya penimbangan prompt. Jika tidak disediakan, negative_prompt_embeds akan dibuat dari argumen input `negative_prompt`.