diffusers/main/tr/api/models/autoencoder_kl_hunyuanimage.md

AutoencoderKLHunyuanImage

[HunyuanImage2.1]'de kullanılan KL kaybına sahip 2B varyasyonel otoenkoder (VAE) modeli.

Model, aşağıdaki kod parçasıyla yüklenebilir.

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]]

diffusers.AutoencoderKLHunyuanImage(in_channels: int, out_channels: int, latent_channels: int, block_out_channels: tuple, 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)

Kaynak

Mekansal karoları (spatial tiling) destekleyen 2B görüntüler için bir VAE modeli.

Bu model ModelMixin sınıfından devralır. Tüm modeller için uygulanan genel yöntemlerini (indirme veya kaydetme gibi) görmek için üst sınıfın belgelendirmesine bakın.

decode[[diffusers.AutoencoderKLHunyuanImage.decode]]

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

Kaynak

Parametreler:

z (torch.Tensor) : Gizil vektörlerin giriş partisi.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine ~models.vae.DecoderOutput döndürülüp döndürülmemesi.

Dönüş: ~models.vae.DecoderOutput veya tuple

return_dict True ise, ~models.vae.DecoderOutput döndürülür, aksi takdirde düz bir tuple döndürülür.

Bir görüntü grubunu çözümlen.

enable_tiling[[diffusers.AutoencoderKLHunyuanImage.enable_tiling]]

enable_tiling(tile_sample_min_size: int | None = None, tile_overlap_factor: float | None = None)

Kaynak

Parametreler:

tile_sample_min_size (int, isteğe bağlı) : Bir örneğin uzamsal boyut boyunca karolara ayrılabilmesi için gereken minimum boyut.

tile_overlap_factor (float, isteğe bağlı) : Bir latentin uzamsal boyut boyunca karolara ayrılabilmesi için gereken örtüşme faktörü.

Uzamsal karolalı VAE çözümlemesini etkinleştirir. Bu seçenek etkinleştirildiğinde, VAE, çözümleme ve kodlamayı birden fazla adımda hesaplamak için girdi tensörünü karolalara böler. Bu, büyük miktarda bellek tasarrufu sağlamak ve daha büyük görüntülerin işlenmesine olanak tanımak için faydalıdır.

encode[[diffusers.AutoencoderKLHunyuanImage.encode]]

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

Kaynak

Parametreler:

x (torch.Tensor) : Giriş görüntü partisi.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine ~models.autoencoder_kl.AutoencoderKLOutput döndürülüp döndürülmediğini belirtir.

Dönüş:

Kodlanmış videoların gizil (latent) temsilleri. return_dict True ise bir ~models.autoencoder_kl.AutoencoderKLOutput döndürülür, aksi halde düz bir tuple döndürülür.

Bir görüntü grubunu latentlere kodlayın.

forward[[diffusers.AutoencoderKLHunyuanImage.forward]]

forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None)

Kaynak

Parametreler:

sample (torch.Tensor) : Girdi örneği.

sample_posterior (bool, isteğe bağlı, varsayılan False) : Posterior'dan örneklemeye alınıp alınmayacağı.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine DecoderOutput döndürülüp döndürülmemesi.

generator (torch.Generator, isteğe bağlı) : Örnekleme işlemini deterministik hale getirmek için kullanılan bir torch.Generator.

Dönüş: ~models.vae.DecoderOutput veya tuple

return_dict True ise, ~models.vae.DecoderOutput döndürülür; aksi halde düz bir tuple döndürülür.

tiled_decode[[diffusers.AutoencoderKLHunyuanImage.tiled_decode]]

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

Kaynak

Parametreler:

z (torch.Tensor) : (B, C, H, W) biçiminde gizli tensör.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine ~models.vae.DecoderOutput döndürülecek mi?

Dönüş: ~models.vae.DecoderOutput veya tuple

return_dict True ise, ~models.vae.DecoderOutput döndürülür, aksi takdirde düz bir tuple döndürülür.

Gizli değişkenleri (latent) uzamsal karolama (spatial tiling) stratejisiyle çözümlenir.

tiled_encode[[diffusers.AutoencoderKLHunyuanImage.tiled_encode]]

tiled_encode(x: Tensor)

Kaynak

Parametreler:

x (torch.Tensor) : (B, C, T, H, W) biçiminde girdi tensörü.

Dönüş: torch.Tensor

Kodlanmış görüntülerin gizil (latent) temsili.

Girdiyi uzamsal karolarlama (spatial tiling) stratejisini kullanarak kodlayın.

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)

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size, num_channels, height, width)) : Modelin son katmanından çözümlenmiş çıktı örneği.

Çözümleme yönteminin çıktısı.