diffusers/main/ru/api/models/autoencoder_dc.md

AutoencoderDC

Модель 2D-автоэнкодера, используемая в SANA и представленная в DCAE авторами Junyu Chen*, Han Cai*, Junsong Chen, Enze Xie, Shang Yang, Haotian Tang, Muyang Li, Yao Lu, Song Han из MIT HAN Lab.

Аннотация из статьи:

Мы представляем Deep Compression Autoencoder (DC-AE) — новое семейство моделей автоэнкодеров для ускорения высокодетализированных диффузионных моделей. Существующие модели автоэнкодеров демонстрируют впечатляющие результаты при умеренном пространственном коэффициенте сжатия (например, 8x), но не способны поддерживать приемлемое качество реконструкции при высоких пространственных коэффициентах сжатия (например, 64x). Мы решаем эту задачу, вводя две ключевые техники: (1) Residual Autoencoding, в рамках которой мы проектируем модели так, чтобы они обучались на остатках, основанных на признаках, преобразованных из пространства в каналы, что снижает сложность оптимизации автоэнкодеров с высоким пространственным сжатием; (2) Decoupled High-Resolution Adaptation — эффективная стратегия обучения в три этапа с разделением процессов, предназначенная для смягчения штрафа за обобщение у автоэнкодеров с высоким пространственным сжатием. Благодаря этим решениям мы повышаем пространственный коэффициент сжатия автоэнкодера до 128, сохраняя при этом качество реконструкции. Применяя наш DC-AE к латентным диффузионным моделям, мы достигаем значительного ускорения без потери точности. Например, на ImageNet 512x512 наш DC-AE обеспечивает ускорение инференса в 19,1 раза и ускорение обучения в 17,9 раз на GPU H100 для UViT-H, при этом достигая лучшего FID по сравнению с широко используемым автоэнкодером SD-VAE-f8. Наш код доступен по этой ссылке.

Следующие модели DCAE выпущены и поддерживаются в Diffusers.

Формат Diffusers	Исходный формат
mit-han-lab/dc-ae-f32c32-sana-1.0-diffusers	mit-han-lab/dc-ae-f32c32-sana-1.0
mit-han-lab/dc-ae-f32c32-in-1.0-diffusers	mit-han-lab/dc-ae-f32c32-in-1.0
mit-han-lab/dc-ae-f32c32-mix-1.0-diffusers	mit-han-lab/dc-ae-f32c32-mix-1.0
mit-han-lab/dc-ae-f64c128-in-1.0-diffusers	mit-han-lab/dc-ae-f64c128-in-1.0
mit-han-lab/dc-ae-f64c128-mix-1.0-diffusers	mit-han-lab/dc-ae-f64c128-mix-1.0
mit-han-lab/dc-ae-f128c512-in-1.0-diffusers	mit-han-lab/dc-ae-f128c512-in-1.0
mit-han-lab/dc-ae-f128c512-mix-1.0-diffusers	mit-han-lab/dc-ae-f128c512-mix-1.0

Эта модель была добавлена пользователем lawrence-cj.

Загрузите модель в формате Diffusers с помощью from_pretrained().

from diffusers import AutoencoderDC

ae = AutoencoderDC.from_pretrained("mit-han-lab/dc-ae-f32c32-sana-1.0-diffusers", dtype=torch.float32).to("cuda")  # or "mps", "xpu", "cpu"

Загрузка модели в Diffusers с помощью from_single_file

from difusers import AutoencoderDC

ckpt_path = "https://huggingface.co/mit-han-lab/dc-ae-f32c32-sana-1.0/blob/main/model.safetensors"
model = AutoencoderDC.from_single_file(ckpt_path) 

Модель AutoencoderDC имеет варианты контрольных точек в формате одного файла in и mix, которые имеют совпадающие ключи контрольных точек, но используют разные коэффициенты масштабирования. Diffusers не может автоматически определить правильный файл конфигурации для использования с моделью на основе только контрольной точки и по умолчанию настраивает модель, используя файл конфигурации варианта mix. Чтобы переопределить автоматически определенный конфиг, используйте аргумент config при загрузке из одного файла с контрольными точками варианта in.

from diffusers import AutoencoderDC

ckpt_path = "https://huggingface.co/mit-han-lab/dc-ae-f128c512-in-1.0/blob/main/model.safetensors"
model = AutoencoderDC.from_single_file(ckpt_path, config="mit-han-lab/dc-ae-f128c512-in-1.0-diffusers")

AutoencoderDC[[diffusers.AutoencoderDC]]

diffusers.AutoencoderDC[[diffusers.AutoencoderDC]]

diffusers.AutoencoderDC(in_channels: int = 3, latent_channels: int = 32, attention_head_dim: int = 32, encoder_block_types: str | tuple[str] = 'ResBlock', decoder_block_types: str | tuple[str] = 'ResBlock', encoder_block_out_channels: tuple[int, ...] = (128, 256, 512, 512, 1024, 1024), decoder_block_out_channels: tuple[int, ...] = (128, 256, 512, 512, 1024, 1024), encoder_layers_per_block: tuple[int, ...] = (2, 2, 2, 3, 3, 3), decoder_layers_per_block: tuple[int, ...] = (3, 3, 3, 3, 3, 3), encoder_qkv_multiscales: tuple[tuple[int, ...], ...] = ((), (), (), (5,), (5,), (5,)), decoder_qkv_multiscales: tuple[tuple[int, ...], ...] = ((), (), (), (5,), (5,), (5,)), upsample_block_type: str = 'pixel_shuffle', downsample_block_type: str = 'pixel_unshuffle', decoder_norm_types: str | tuple[str] = 'rms_norm', decoder_act_fns: str | tuple[str] = 'silu', encoder_out_shortcut: bool = True, decoder_in_shortcut: bool = True, decoder_conv_act_fn: str = 'relu', scaling_factor: float = 1.0)

Источник

Параметры:

in_channels (int, по умолчанию 3) : количество входных каналов в образцах.

latent_channels (int, по умолчанию 32) : Количество каналов в латентном представлении.

encoder_block_types (str | tuple[str], по умолчанию "ResBlock") : Тип(ы) блока, используемого в кодировщике.

decoder_block_types (str | tuple[str], по умолчанию "ResBlock") : Тип(ы) блока, используемого в декодере.

encoder_block_out_channels (tuple[int, ...], по умолчанию (128, 256, 512, 512, 1024, 1024)) : Количество выходных каналов для каждого блока в энкодере.

decoder_block_out_channels (tuple[int, ...], по умолчанию (128, 256, 512, 512, 1024, 1024)) : Количество выходных каналов для каждого блока в декодере.

encoder_layers_per_block (tuple[int], по умолчанию (2, 2, 2, 3, 3, 3)) : Количество слоев в каждом блоке кодировщика.

decoder_layers_per_block (tuple[int], по умолчанию (3, 3, 3, 3, 3, 3)) : Количество слоев в каждом блоке декодера.

encoder_qkv_multiscales (tuple[tuple[int, ...], ...], по умолчанию ((), (), (), (5,), (5,), (5,))) : Конфигурации для многомасштабных QKV (query-key-value) преобразований в кодировщике.

decoder_qkv_multiscales (tuple[tuple[int, ...], ...], по умолчанию ((), (), (), (5,), (5,), (5,))) : Многомасштабные конфигурации для QKV (query-key-value) преобразований декодера.

upsample_block_type (str, по умолчанию "pixel_shuffle") : Тип блока, используемого для апсемплинга в декодере.

downsample_block_type (str, по умолчанию "pixel_unshuffle") : Тип блока, используемого для понижения разрешения в кодировщике.

decoder_norm_types (str | tuple[str], по умолчанию "rms_norm") : Тип(ы) нормализации, используемые в декодере.

decoder_act_fns (str | tuple[str], по умолчанию "silu") : Функция(и) активации, используемые в декодере.

encoder_out_shortcut (bool, по умолчанию True) : Использовать ли shortcut в конце энкодера.

decoder_in_shortcut (bool, по умолчанию True) : Использовать ли шорткат в начале декодера.

decoder_conv_act_fn (str, по умолчанию "relu") : функция активации, используемая в конце декодера.

scaling_factor (float, по умолчанию 1.0) : Множитель, обратный среднеквадратичному значению латентных признаков. Используется для масштабирования латентного пространства до единичной дисперсии при обучении диффузионной модели. Перед передачей в диффузионную модель латенты масштабируются по формуле z = z * scaling_factor. При декодировании латенты возвращаются к исходному масштабу по формуле: z = 1 / scaling_factor * z.

Модель автоэнкодера, представленная в DCAE и используемая в SANA.

Эта модель наследуется от ModelMixin. См. документацию суперкласса для его универсальных методов, реализованных для всех моделей (например, загрузка или сохранение).

encode[[diffusers.AutoencoderDC.encode]]

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

Источник

Параметры:

x (torch.Tensor) : Входная партия изображений.

return_dict (bool, по умолчанию True) : Возвращать ли ~models.vae.EncoderOutput вместо обычного кортежа.

Возвращает:

Латентные представления закодированных видео. Если return_dict равно True, возвращается ~models.vae.EncoderOutput, в противном случае возвращается обычный tuple.

Кодирует пакет изображений в латенты.

decode[[diffusers.AutoencoderDC.decode]]

decode(z: Tensor, return_dict: bool = True)

Источник

Параметры:

z (torch.Tensor) : Входная партия латентных векторов.

return_dict (bool, по умолчанию True) : Возвращать ли ~models.vae.DecoderOutput вместо обычного кортежа.

Возвращает: ~models.vae.DecoderOutput или tuple

Если return_dict равно True, возвращается ~models.vae.DecoderOutput, иначе возвращается обычный tuple.

Декодировать пакет изображений.

enable_tiling[[diffusers.AutoencoderDC.enable_tiling]]

enable_tiling(tile_sample_min_height: int | None = None, tile_sample_min_width: int | None = None, tile_sample_stride_height: float | None = None, tile_sample_stride_width: float | None = None)

Источник

Параметры:

tile_sample_min_height (int, optional) : минимальная высота, необходимая для того, чтобы образец был разделён на плитки по оси высоты.

tile_sample_min_width (int, optional) : Минимальная ширина, необходимая для того, чтобы образец был разделён на плитки по размерности ширины.

tile_sample_stride_height (int, optional) : Минимальное перекрытие между двумя последовательными вертикальными тайлами. Это необходимо для того, чтобы избежать артефактов тайлинга вдоль вертикальной оси.

tile_sample_stride_width (int, optional) : Шаг между двумя соседними горизонтальными тайлами. Это обеспечивает отсутствие артефактов тайлинга вдоль ширины.

Включить тайловое декодирование AE. При включении этого параметра AE разбивает входной тензор на тайлы для выполнения декодирования и кодирования в несколько шагов. Это полезно для экономии значительного объёма памяти и для обработки изображений большего размера.

forward[[diffusers.AutoencoderDC.forward]]

forward(sample: Tensor, return_dict: bool = True)

Источник

Параметры:

sample (torch.Tensor) : Входящий образец.

return_dict (bool, необязательный, по умолчанию True) : Возвращать ли DecoderOutput вместо обычного кортежа.

Возвращает: ~models.vae.DecoderOutput или tuple

Если return_dict равно True, возвращается ~models.vae.DecoderOutput, иначе возвращается обычный tuple.

DecoderOutput[[diffusers.models.autoencoders.vae.DecoderOutput]]

diffusers.models.autoencoders.vae.DecoderOutput[[diffusers.models.autoencoders.vae.DecoderOutput]]

diffusers.models.autoencoders.vae.DecoderOutput(sample: Tensor, commit_loss: typing.Optional[torch.FloatTensor] = None)

Источник

Параметры:

sample (torch.Tensor формы (batch_size, num_channels, height, width)) : Декодированный вывод из последнего слоя модели.

Результат метода декодирования.