Buckets:
| # AutoencoderKLHunyuanImage | |
| [HunyuanImage2.1]에서 사용된 KL 손실을 적용한 2D 변분 오토인코더(VAE) 모델입니다. | |
| 다음 코드 스니펫으로 모델을 로드할 수 있습니다. | |
| ```python | |
| from diffusers import AutoencoderKLHunyuanImage | |
| vae = AutoencoderKLHunyuanImage.from_pretrained("hunyuanvideo-community/HunyuanImage-2.1-Diffusers", subfolder="vae", dtype=torch.bfloat16) | |
| ``` | |
| ## AutoencoderKLHunyuanImage[[diffusers.AutoencoderKLHunyuanImage]] | |
| #### diffusers.AutoencoderKLHunyuanImage[[diffusers.AutoencoderKLHunyuanImage]] | |
| ```python | |
| diffusers.AutoencoderKLHunyuanImage(in_channels: int, out_channels: int, latent_channels: int, block_out_channels: tuple, layers_per_block: int, spatial_compression_ratio: int, sample_size: int, scaling_factor: float = None, downsample_match_channel: bool = True, upsample_match_channel: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L412) | |
| 공간 타일링을 지원하는 2D 이미지의 VAE 모델입니다. | |
| 이 모델은 [ModelMixin](/docs/diffusers/main/ko/api/models/overview#diffusers.ModelMixin)에서 상속됩니다. 모든 모델에 대해 구현된 일반적 메서드(다운로드 또는 저장 등)에 대해서는 상위 클래스 문서를 확인하세요. | |
| #### decode[[diffusers.AutoencoderKLHunyuanImage.decode]] | |
| ```python | |
| decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L540) | |
| **매개변수:** | |
| z (`torch.Tensor`) : 잠재 벡터의 입력 배치. | |
| return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 `~models.vae.DecoderOutput`를 반환할지 여부. | |
| **반환값:** `~models.vae.DecoderOutput` 또는 `tuple` | |
| return_dict가 True이면 `~models.vae.DecoderOutput`가 반환되고, 그렇지 않으면 일반 `tuple`이 반환됩니다. | |
| 이미지 배치(decode)를 디코딩합니다. | |
| #### enable_tiling[[diffusers.AutoencoderKLHunyuanImage.enable_tiling]] | |
| ```python | |
| enable_tiling(tile_sample_min_size: int | None = None, tile_overlap_factor: float | None = None) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L467) | |
| **매개변수:** | |
| tile_sample_min_size (`int`, *선택 사항*) : 공간 차원에서 샘플을 타일로 분리하는 데 필요한 최소 크기입니다. | |
| tile_overlap_factor (`float`, *선택 사항*) : 공간 차원에서 latent를 타일로 분리하는 데 필요한 겹침 계수입니다. | |
| 공간 타일 VAE 디코딩을 활성화합니다. 이 옵션이 활성화되면 VAE는 입력 텐서를 타일로 분할하여 디코딩과 인코딩을 여러 단계에 걸쳐 계산합니다. 이는 대량의 메모리를 절약하고 더 큰 이미지를 처리할 수 있도록 하는 데 유용합니다. | |
| #### encode[[diffusers.AutoencoderKLHunyuanImage.encode]] | |
| ```python | |
| encode(x: Tensor, return_dict: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L499) | |
| **매개변수:** | |
| x (`torch.Tensor`) : 입력 이미지 배치. | |
| return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 `~models.autoencoder_kl.AutoencoderKLOutput`을 반환할지 여부. | |
| **반환값:** | |
| 인코딩된 비디오의 잠재 표현입니다. `return_dict`가 True이면 `~models.autoencoder_kl.AutoencoderKLOutput`이 반환되고, 그렇지 않으면 일반 `tuple`이 반환됩니다. | |
| 이미지 배치(latents)를 인코딩합니다. | |
| #### forward[[diffusers.AutoencoderKLHunyuanImage.forward]] | |
| ```python | |
| forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L667) | |
| **매개변수:** | |
| sample (`torch.Tensor`) : 입력 샘플. | |
| sample_posterior (`bool`, *선택 사항*, 기본값 `False`) : 사후 분포에서 샘플링할지 여부. | |
| return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 `DecoderOutput`를 반환할지 여부. | |
| generator (`torch.Generator`, *선택 사항*) : 샘플링을 결정적으로 만들기 위한 [`torch.Generator`](https://pytorch.org/docs/stable/generated/torch.Generator.html)입니다. | |
| **반환값:** `~models.vae.DecoderOutput` 또는 `tuple` | |
| `return_dict`가 True이면 `~models.vae.DecoderOutput`가 반환되고, 그렇지 않으면 일반 `tuple`이 반환됩니다. | |
| #### tiled_decode[[diffusers.AutoencoderKLHunyuanImage.tiled_decode]] | |
| ```python | |
| tiled_decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L622) | |
| **매개변수:** | |
| z (`torch.Tensor`) : (B, C, H, W) 형태의 Latent 텐서. | |
| return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 `~models.vae.DecoderOutput`를 반환할지 여부. | |
| **반환값:** `~models.vae.DecoderOutput` 또는 `tuple` | |
| return_dict가 True이면 `~models.vae.DecoderOutput`가 반환되고, 그렇지 않으면 일반 `tuple`이 반환됩니다. | |
| 공간 타일링 전략을 사용하여 잠재 변수를 디코딩합니다. | |
| #### tiled_encode[[diffusers.AutoencoderKLHunyuanImage.tiled_encode]] | |
| ```python | |
| tiled_encode(x: Tensor) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L582) | |
| **매개변수:** | |
| x (`torch.Tensor`) : (B, C, T, H, W) 모양의 입력 텐서. | |
| **반환값:** `torch.Tensor` | |
| 인코딩된 이미지의 잠재 표현(latent representation). | |
| 공간 타일링 전략을 사용하여 입력을 인코딩합니다. | |
| ## DecoderOutput[[diffusers.models.autoencoders.vae.DecoderOutput]] | |
| #### diffusers.models.autoencoders.vae.DecoderOutput[[diffusers.models.autoencoders.vae.DecoderOutput]] | |
| ```python | |
| diffusers.models.autoencoders.vae.DecoderOutput(sample: Tensor, commit_loss: typing.Optional[torch.FloatTensor] = None) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/vae.py#L49) | |
| **매개변수:** | |
| sample (`torch.Tensor`, shape `(batch_size, num_channels, height, width)`) : 모델의 마지막 레이어에서 디코딩된 출력 샘플. | |
| 디코딩 메서드의 출력. | |
Xet Storage Details
- Size:
- 6.54 kB
- Xet hash:
- 9cb01fd19aca775e2ebb5e304675759e0f071f8422e047fae34446f5f983b6de
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.