Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ko /api /models /autoencoder_kl_kvae.md

mishig

about 20 hours ago

preview code

download

raw

5.23 kB

# AutoencoderKLKVAE

KL 손실을 사용하는 2D 변분 오토인코더(VAE) 모델.

다음 코드 스니펫으로 모델을 로드할 수 있습니다.

```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)
```

[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L521)

**매개변수:**

in_channels (int, *선택 사항*, 기본값 3) : 입력 이미지의 채널 수.
channels (int, *선택 사항*, 기본값 128) : 다중 해상도 블록의 기본 채널 수입니다.
num_enc_blocks (int, *선택 사항*, 기본값 2) : 인코더 멀티레졸루션 레이어의 Resnet 블록 수입니다.
num_dec_blocks (int, *선택 사항*, 기본값 2) : 디코더의 멀티레졸루션 레이어에 포함된 Resnet 블록의 수입니다.
z_channels (int, *선택 사항*, 기본값 16) : 잠재 공간의 채널 수.

double_z (`bool`, *선택 사항*, 기본값 `True`) : 인코더의 출력 채널 수를 두 배로 할지 여부.
ch_mult (`Tuple[int, ...]`, *선택 사항*, 기본값 `(1, 2, 4, 8)`) : 다중 해상도 블록의 채널 배율입니다.

sample_size (`int`, *선택 사항*, 기본값 `1024`) : 샘플 입력 크기.
KL 손실을 사용하여 이미지를 잠재 변수로 인코딩하고 잠재 표현을 이미지로 디코딩하는 VAE 모델.
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.AutoencoderKLKVAE.decode]]
```python
decode(z: FloatTensor, return_dict: bool = True, generator = None)
```
[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L642)
**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.
#### encode[[diffusers.AutoencoderKLKVAE.encode]]
```python
encode(x: Tensor, return_dict: bool = True)
```
[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L602)
**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 이미지의 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.AutoencoderKLKVAE.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_kvae.py#L776)

**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.AutoencoderKLKVAE.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_kvae.py#L729)

**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.

tiled decoder를 사용하여 이미지 배치(decoding)를 디코딩합니다.

Xet Storage Details

Size:: 5.23 kB
Xet hash:: 6038d37eb9b8e0771d26569677a05145a30190b233e2860e7ffd85247b1df3ea

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

	# AutoencoderKLKVAE

	KL 손실을 사용하는 2D 변분 오토인코더(VAE) 모델.

	다음 코드 스니펫으로 모델을 로드할 수 있습니다.

	```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)
	```

	[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L521)

	매개변수:

	in_channels (int, 선택 사항, 기본값 3) : 입력 이미지의 채널 수.

	channels (int, 선택 사항, 기본값 128) : 다중 해상도 블록의 기본 채널 수입니다.

	num_enc_blocks (int, 선택 사항, 기본값 2) : 인코더 멀티레졸루션 레이어의 Resnet 블록 수입니다.

	num_dec_blocks (int, 선택 사항, 기본값 2) : 디코더의 멀티레졸루션 레이어에 포함된 Resnet 블록의 수입니다.

	z_channels (int, 선택 사항, 기본값 16) : 잠재 공간의 채널 수.

	double_z (`bool`, 선택 사항, 기본값 `True`) : 인코더의 출력 채널 수를 두 배로 할지 여부.

	ch_mult (`Tuple[int, ...]`, 선택 사항, 기본값 `(1, 2, 4, 8)`) : 다중 해상도 블록의 채널 배율입니다.

	sample_size (`int`, 선택 사항, 기본값 `1024`) : 샘플 입력 크기.

	KL 손실을 사용하여 이미지를 잠재 변수로 인코딩하고 잠재 표현을 이미지로 디코딩하는 VAE 모델.

	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.AutoencoderKLKVAE.decode]]

	```python
	decode(z: FloatTensor, return_dict: bool = True, generator = None)
	```

	[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L642)

	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.

	#### encode[[diffusers.AutoencoderKLKVAE.encode]]

	```python
	encode(x: Tensor, return_dict: bool = True)
	```

	[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L602)

	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 이미지의 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.AutoencoderKLKVAE.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_kvae.py#L776)

	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.AutoencoderKLKVAE.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_kvae.py#L729)

	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.

	tiled decoder를 사용하여 이미지 배치(decoding)를 디코딩합니다.