Buckets:
| # AutoencoderKLHunyuanImage | |
| Двумерная вариационная автокодирующая модель (VAE) с потерей KL, используемая в [HunyuanImage2.1]. | |
| Модель можно загрузить с помощью следующего фрагмента кода. | |
| ```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[int, ...], 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L412) | |
| Модель VAE для 2D-изображений с поддержкой пространственного тайлинга. | |
| Эта модель наследуется от [ModelMixin](/docs/diffusers/main/ru/api/models/overview#diffusers.ModelMixin). См. документацию суперкласса для его универсальных методов, реализованных для всех моделей (например, загрузка или сохранение). | |
| #### decode[[diffusers.AutoencoderKLHunyuanImage.decode]] | |
| ```python | |
| decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L540) | |
| **Параметры:** | |
| z (`torch.Tensor`) : Входная партия латентных векторов. | |
| return_dict (`bool`, *необязательный*, 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.AutoencoderKLHunyuanImage.enable_tiling]] | |
| ```python | |
| enable_tiling(tile_sample_min_size: int | None = None, tile_overlap_factor: float | None = None) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L467) | |
| **Параметры:** | |
| tile_sample_min_size (`int`, *optional*) : минимальный размер, необходимый для того, чтобы образец был разделён на тайлы по пространственному измерению. | |
| tile_overlap_factor (`float`, *optional*) : Коэффициент перекрытия, необходимый для разделения латента на плитки по пространственному измерению. | |
| Включает пространственную тайловую декодирование VAE. При включении этого параметра VAE разбивает входной тензор на тайлы для выполнения декодирования и кодирования в несколько шагов. Это полезно для значительной экономии памяти и позволяет обрабатывать изображения большего размера. | |
| #### encode[[diffusers.AutoencoderKLHunyuanImage.encode]] | |
| ```python | |
| encode(x: Tensor, return_dict: bool = True) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L499) | |
| **Параметры:** | |
| x (`torch.Tensor`) : Входная партия изображений. | |
| return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `~models.autoencoder_kl.AutoencoderKLOutput` вместо обычного кортежа. | |
| **Возвращает:** | |
| Латентные представления закодированных видео. Если `return_dict` равно True, возвращается `~models.autoencoder_kl.AutoencoderKLOutput`, в противном случае возвращается обычный `tuple`. | |
| Кодирует пакет изображений в латенты. | |
| #### forward[[diffusers.AutoencoderKLHunyuanImage.forward]] | |
| ```python | |
| forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L667) | |
| **Параметры:** | |
| sample (`torch.Tensor`) : Входящий образец. | |
| sample_posterior (`bool`, *необязательный*, по умолчанию `False`) : Флаг, определяющий, следует ли выполнять выборку из апостериорного распределения. | |
| return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `DecoderOutput` вместо обычного кортежа. | |
| generator (`torch.Generator`, *необязательный*) : [`torch.Generator`](https://pytorch.org/docs/stable/generated/torch.Generator.html) для обеспечения детерминированности выборки. | |
| **Возвращает:** `~models.vae.DecoderOutput` или `tuple` | |
| Если `return_dict` равно True, возвращается `~models.vae.DecoderOutput`, иначе возвращается обычный `tuple`. | |
| #### tiled_decode[[diffusers.AutoencoderKLHunyuanImage.tiled_decode]] | |
| ```python | |
| tiled_decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L622) | |
| **Параметры:** | |
| z (`torch.Tensor`) : Латентный тензор формы (B, C, H, W). | |
| return_dict (`bool`, *необязательный*, 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`. | |
| Декодирование латентного представления с использованием пространственной стратегии тайлинга. | |
| #### tiled_encode[[diffusers.AutoencoderKLHunyuanImage.tiled_encode]] | |
| ```python | |
| tiled_encode(x: Tensor) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_hunyuanimage.py#L582) | |
| **Параметры:** | |
| x (`torch.Tensor`) : Входной тензор формы (B, C, T, H, W). | |
| **Возвращает:** `torch.Tensor` | |
| Латентное представление закодированных изображений. | |
| Кодирование входных данных с использованием пространственной стратегии тайлинга. | |
| ## 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/vae.py#L49) | |
| **Параметры:** | |
| sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)`) : Декодированный вывод из последнего слоя модели. | |
| Результат метода декодирования. | |
Xet Storage Details
- Size:
- 8.39 kB
- Xet hash:
- c43080f67cee2ad2741b82ae7eeb6d534a3e550d6d6f3670777144459d593a8f
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.