Buckets:
| # AutoencoderKLKVAE | |
| O modelo de autoencoder variacional (VAE) 2D com perda KL. | |
| O modelo pode ser carregado com o seguinte trecho de código. | |
| ```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) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L521) | |
| **Parâmetros:** | |
| in_channels (int, *opcional*, padrão 3) : Número de canais na imagem de entrada. | |
| channels (int, *opcional*, padrão 128) : O número base de canais nos blocos multirresolução. | |
| num_enc_blocks (int, *opcional*, padrão 2) : O número de blocos Resnet nas camadas multirresolução do codificador. | |
| num_dec_blocks (int, *opcional*, padrão 2) : O número de blocos Resnet nas camadas multirresolução do decodificador. | |
| z_channels (int, *opcional*, padrão 16) : Número de canais no espaço latente. | |
| double_z (`bool`, *opcional*, padrão `True`) : Se deve dobrar o número de canais de saída do codificador. | |
| ch_mult (`Tuple[int, ...]`, *opcional*, padrão `(1, 2, 4, 8)`) : Os multiplicadores de canal nos blocos multirresolução. | |
| sample_size (`int`, *opcional*, padrão `1024`) : Tamanho de entrada da amostra. | |
| Um modelo VAE com perda KL para codificar imagens em latentes e decodificar representações latentes em imagens. | |
| Este modelo herda de [ModelMixin](/docs/diffusers/main/pt/api/models/overview#diffusers.ModelMixin). Consulte a documentação da superclasse para seus métodos genéricos implementados para todos os modelos (como download ou salvamento). | |
| #### decode[[diffusers.AutoencoderKLKVAE.decode]] | |
| ```python | |
| decode(z: FloatTensor, return_dict: bool = True, generator = None) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L642) | |
| **Parâmetros:** | |
| z (`torch.Tensor`) : Lote de entrada de vetores latentes. | |
| return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar um `~models.vae.DecoderOutput` em vez de uma tupla simples. | |
| **Retorna:** `~models.vae.DecoderOutput` ou `tuple` | |
| If return_dict is True, a `~models.vae.DecoderOutput` is returned, otherwise a plain `tuple` is returned. | |
| Decodifique um lote de imagens. | |
| #### encode[[diffusers.AutoencoderKLKVAE.encode]] | |
| ```python | |
| encode(x: Tensor, return_dict: bool = True) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L602) | |
| **Parâmetros:** | |
| x (`torch.Tensor`) : Lote de entrada de imagens. | |
| return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar um `~models.autoencoder_kl.AutoencoderKLOutput` em vez de uma tupla simples. | |
| **Retorna:** | |
| As representações latentes das imagens codificadas. Se `return_dict` for True, um `~models.autoencoder_kl.AutoencoderKLOutput` é retornado; caso contrário, uma `tuple` simples é retornada. | |
| Codifica um lote de imagens em latentes. | |
| #### forward[[diffusers.AutoencoderKLKVAE.forward]] | |
| ```python | |
| forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L776) | |
| **Parâmetros:** | |
| sample (`torch.Tensor`) : Amostra de entrada. | |
| sample_posterior (`bool`, *opcional*, padrão `False`) : Se deve amostrar da posterior. | |
| return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um `DecoderOutput` em vez de uma tupla simples. | |
| generator (`torch.Generator`, *opcional*) : Um [`torch.Generator`](https://pytorch.org/docs/stable/generated/torch.Generator.html) para tornar a amostragem determinística. | |
| **Retorna:** `~models.vae.DecoderOutput` ou `tuple` | |
| Se `return_dict` for True, um `~models.vae.DecoderOutput` é retornado; caso contrário, uma `tuple` simples é retornada. | |
| #### tiled_decode[[diffusers.AutoencoderKLKVAE.tiled_decode]] | |
| ```python | |
| tiled_decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L729) | |
| **Parâmetros:** | |
| z (`torch.Tensor`) : Lote de entrada de vetores latentes. | |
| return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um `~models.vae.DecoderOutput` em vez de uma tupla simples. | |
| **Retorna:** `~models.vae.DecoderOutput` ou `tuple` | |
| If return_dict is True, a `~models.vae.DecoderOutput` is returned, otherwise a plain `tuple` is returned. | |
| Decodifique um lote de imagens usando um decodificador em mosaico. | |
Xet Storage Details
- Size:
- 5.02 kB
- Xet hash:
- ba0a8f7aff12292f227384e41ab81958ceb5e5d2e8ec0371af9dfe0d12a786eb
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.