Buckets:
| # Функции активации | |
| Пользовательские функции активации для поддержки различных моделей в 🤗 Diffusers. | |
| ## 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L65) | |
| **Параметры:** | |
| dim_in (`int`) : количество каналов на входе. | |
| dim_out (`int`) : Количество каналов на выходе. | |
| approximate (`str`, *необязательный*, по умолчанию `"none"`) : Если `"tanh"`, используется приближение tanh. | |
| bias (`bool`, по умолчанию True) : Использовать ли смещение (bias) в линейном слое. | |
| Функция активации GELU с поддержкой аппроксимации tanh при `approximate="tanh"`. | |
| ## 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L90) | |
| **Параметры:** | |
| dim_in (`int`) : количество каналов на входе. | |
| dim_out (`int`) : Количество каналов на выходе. | |
| bias (`bool`, по умолчанию True) : Использовать ли смещение (bias) в линейном слое. | |
| Вариант функции активации [gated linear unit](https://huggingface.co/papers/2002.05202). | |
| ## 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L143) | |
| **Параметры:** | |
| dim_in (`int`) : количество каналов на входе. | |
| dim_out (`int`) : Количество каналов на выходе. | |
| bias (`bool`, по умолчанию True) : Использовать ли смещение (bias) в линейном слое. | |
| Приближённая форма функции активации Gaussian Error Linear Unit (GELU). Дополнительные сведения см. в разделе 2 этой [статьи](https://huggingface.co/papers/1606.08415). | |
| ## 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L120) | |
| **Параметры:** | |
| dim_in (`int`) : количество каналов на входе. | |
| dim_out (`int`) : Количество каналов на выходе. | |
| bias (`bool`, по умолчанию True) : Использовать ли смещение (bias) в линейном слое. | |
| Вариант функции активации [gated linear unit](https://huggingface.co/papers/2002.05202). Похожа на `GEGLU`, но использует SiLU / Swish вместо GeLU. | |
| ## FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| #### diffusers.models.activations.FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| ```python | |
| diffusers.models.activations.FP32SiLU() | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L53) | |
| Функция активации SiLU с входом, преобразованным в torch.float32. | |
| ## 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') | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L163) | |
Xet Storage Details
- Size:
- 4.48 kB
- Xet hash:
- 0372c580541d93304bc1598a50bd4d8697dec5132f6e6ca926ee6613378a0cc7
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.