Buckets:
| # Aktivasyon fonksiyonları | |
| 🤗 Diffusers'ta çeşitli modelleri desteklemek için özelleştirilmiş aktivasyon fonksiyonları. | |
| ## 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) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L65) | |
| **Parametreler:** | |
| dim_in (`int`) : Girdideki kanal sayısı. | |
| dim_out (`int`) : Çıktıdaki kanal sayısı. | |
| approximate (`str`, *isteğe bağlı*, varsayılan `"none"`) : `"tanh"` ise, tanh yaklaşımı kullanılır. | |
| bias (`bool`, varsayılan olarak True) : Doğrusal katmanda sapma (bias) kullanılıp kullanılmayacağı. | |
| `approximate="tanh"` ile tanh yaklaşımı desteğine sahip GELU aktivasyon fonksiyonu. | |
| ## 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) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L93) | |
| **Parametreler:** | |
| dim_in (`int`) : Girdideki kanal sayısı. | |
| dim_out (`int`) : Çıktıdaki kanal sayısı. | |
| bias (`bool`, varsayılan olarak True) : Doğrusal katmanda sapma (bias) kullanılıp kullanılmayacağı. | |
| Kapılı doğrusal birim aktivasyon fonksiyonunun bir [varyantı](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) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L149) | |
| **Parametreler:** | |
| dim_in (`int`) : Girdideki kanal sayısı. | |
| dim_out (`int`) : Çıktıdaki kanal sayısı. | |
| bias (`bool`, varsayılan olarak True) : Doğrusal katmanda sapma (bias) kullanılıp kullanılmayacağı. | |
| Gaussian Error Linear Unit (GELU)'nun yaklaşık formu. Daha fazla ayrıntı için bu [makalenin](https://huggingface.co/papers/1606.08415) 2. bölümüne bakın. | |
| ## 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) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L126) | |
| **Parametreler:** | |
| dim_in (`int`) : Girdideki kanal sayısı. | |
| dim_out (`int`) : Çıktıdaki kanal sayısı. | |
| bias (`bool`, varsayılan olarak True) : Doğrusal katmanda sapma (bias) kullanılıp kullanılmayacağı. | |
| Kapılı doğrusal birim aktivasyon fonksiyonunun bir [varyantı](https://huggingface.co/papers/2002.05202). `GEGLU`'ye benzer ancak GeLU yerine SiLU / Swish kullanır. | |
| ## FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| #### diffusers.models.activations.FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| ```python | |
| diffusers.models.activations.FP32SiLU() | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L53) | |
| Girdisi torch.float32'ye yükseltilmiş SiLU aktivasyon fonksiyonu. | |
| ## 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') | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L169) | |
Xet Storage Details
- Size:
- 3.8 kB
- Xet hash:
- e095997769f6cd1073066f36ab61865bb3761761fbb2811688ccb02073f4c7b0
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.