Buckets:
| # 활성화 함수 | |
| 🤗 Diffusers에서 다양한 모델을 지원하기 위한 사용자 정의 활성화 함수. | |
| ## GELU[[diffusers.models.activations.GELU]] | |
| #### diffusers.models.activations.GELU[[diffusers.models.activations.GELU]] | |
| ```python | |
| diffusers.models.activations.GELU(dim_in: int, dim_out: int, approximate: str = 'none', bias: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L65) | |
| **매개변수:** | |
| dim_in (`int`) : 입력의 채널 수. | |
| dim_out (`int`) : 출력의 채널 수. | |
| approximate (`str`, *선택 사항*, 기본값 `"none"`) : `"tanh"`인 경우 tanh 근사를 사용합니다. | |
| bias (`bool`, 기본값 True) : 선형 레이어에 bias를 사용할지 여부. | |
| `approximate="tanh"`로 tanh 근사 지원을 하는 GELU 활성화 함수. | |
| ## GEGLU[[diffusers.models.activations.GEGLU]] | |
| #### diffusers.models.activations.GEGLU[[diffusers.models.activations.GEGLU]] | |
| ```python | |
| diffusers.models.activations.GEGLU(dim_in: int, dim_out: int, bias: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L93) | |
| **매개변수:** | |
| dim_in (`int`) : 입력의 채널 수. | |
| dim_out (`int`) : 출력의 채널 수. | |
| bias (`bool`, 기본값 True) : 선형 레이어에 bias를 사용할지 여부. | |
| 게이트드 리니어 유닛 활성화 함수의 [변형](https://huggingface.co/papers/2002.05202)입니다. | |
| ## ApproximateGELU[[diffusers.models.activations.ApproximateGELU]] | |
| #### diffusers.models.activations.ApproximateGELU[[diffusers.models.activations.ApproximateGELU]] | |
| ```python | |
| diffusers.models.activations.ApproximateGELU(dim_in: int, dim_out: int, bias: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L149) | |
| **매개변수:** | |
| dim_in (`int`) : 입력의 채널 수. | |
| dim_out (`int`) : 출력의 채널 수. | |
| bias (`bool`, 기본값 True) : 선형 레이어에 bias를 사용할지 여부. | |
| 가우시안 에러 리니어 유닛(GELU)의 근사 형태. 자세한 내용은 이 [논문](https://huggingface.co/papers/1606.08415)의 2절을 참고하세요. | |
| ## SwiGLU[[diffusers.models.activations.SwiGLU]] | |
| #### diffusers.models.activations.SwiGLU[[diffusers.models.activations.SwiGLU]] | |
| ```python | |
| diffusers.models.activations.SwiGLU(dim_in: int, dim_out: int, bias: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L126) | |
| **매개변수:** | |
| dim_in (`int`) : 입력의 채널 수. | |
| dim_out (`int`) : 출력의 채널 수. | |
| bias (`bool`, 기본값 True) : 선형 레이어에 bias를 사용할지 여부. | |
| 게이트드 리니어 유닛 활성화 함수의 [변형](https://huggingface.co/papers/2002.05202)입니다. `GEGLU`와 유사하지만 GeLU 대신 SiLU / Swish를 사용합니다. | |
| ## FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| #### diffusers.models.activations.FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| ```python | |
| diffusers.models.activations.FP32SiLU() | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L53) | |
| 입력이 torch.float32로 업캐스트된 SiLU 활성화 함수. | |
| ## LinearActivation[[diffusers.models.activations.LinearActivation]] | |
| #### diffusers.models.activations.LinearActivation[[diffusers.models.activations.LinearActivation]] | |
| ```python | |
| diffusers.models.activations.LinearActivation(dim_in: int, dim_out: int, bias: bool = True, activation: str = 'silu') | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L169) | |
Xet Storage Details
- Size:
- 3.64 kB
- Xet hash:
- cf53e685cb9e4d21352a813b91cbc56da9e53068a9263e1aa5ae4b7bdd345675
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.