Buckets:
| # AutoencoderKLKVAE | |
| نموذج الترميز التلقائي التبايني ثنائي الأبعاد (VAE) مع خسارة كولباك-ليبلر. | |
| يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي. | |
| ```python | |
| import torch | |
| from diffusers import AutoencoderKLKVAE | |
| vae = AutoencoderKLKVAE.from_pretrained("kandinskylab/KVAE-2D-1.0", subfolder="diffusers", dtype=torch.bfloat16) | |
| ``` | |
| ## AutoencoderKLKVAE[[diffusers.AutoencoderKLKVAE]] | |
| #### diffusers.AutoencoderKLKVAE[[diffusers.AutoencoderKLKVAE]] | |
| ```python | |
| diffusers.AutoencoderKLKVAE(in_channels: int = 3, channels: int = 128, num_enc_blocks: int = 2, num_dec_blocks: int = 2, z_channels: int = 16, double_z: bool = True, ch_mult: typing.Tuple[int, ...] = (1, 2, 4, 8), sample_size: int = 1024) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L521) | |
| **المعاملات:** | |
| in_channels (int, *اختياري*، القيمة الافتراضية 3) : عدد القنوات في الصورة المدخلة. | |
| channels (int، *اختياري*، القيمة الافتراضية 128) : العدد الأساسي للقنوات في كتل تعدد الدقة. | |
| num_enc_blocks (int, *اختياري*, القيمة الافتراضية 2) : عدد كتل Resnet في طبقات تعدد الدقة في المُشفِّر. | |
| num_dec_blocks (int, *اختياري*, القيمة الافتراضية 2) : عدد كتل Resnet في طبقات تعدد الدقة في المُفكِّك. | |
| z_channels (int، *اختياري*، القيمة الافتراضية 16) : عدد القنوات في الفضاء الكامن. | |
| double_z (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب مضاعفة عدد قنوات المخرج في المُشفِّر. | |
| ch_mult (`Tuple[int, ...]`، *اختياري*، الافتراضي `(1, 2, 4, 8)`) : مضاعفات القنوات في كتل تعدد الدقة. | |
| sample_size (`int`، *اختياري*، القيمة الافتراضية `1024`) : حجم الإدخال العينة. | |
| نموذج VAE مع خسارة KL لتشفير الصور إلى كامنات وفك تمثيل الكامنات إلى صور. | |
| يرث هذا النموذج من [ModelMixin](/docs/diffusers/v0.43.0/ar/api/models/overview#diffusers.ModelMixin). راجع توثيق الفئة الأصلية لمعرفة طرقها العامة المُنفَّذة لجميع النماذج (مثل التنزيل أو الحفظ). | |
| #### فك الترميز[[diffusers.AutoencoderKLKVAE.decode]] | |
| ```python | |
| decode(z: FloatTensor, return_dict: bool = True, generator = None) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L642) | |
| **المعاملات:** | |
| z (`torch.Tensor`) : دفعة إدخال من المتجهات الكامنة. | |
| return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع `~models.vae.DecoderOutput` بدلاً من tuple عادي. | |
| **يعيد:** `~models.vae.DecoderOutput` أو `tuple` | |
| إذا كانت return_dict تساوي True، يُعاد `~models.vae.DecoderOutput`، وإلا يُعاد `tuple` عادي. | |
| فكّ تشفير دفعة من الصور. | |
| #### ترميز[[diffusers.AutoencoderKLKVAE.encode]] | |
| ```python | |
| encode(x: Tensor, return_dict: bool = True) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L602) | |
| **المعاملات:** | |
| x (`torch.Tensor`) : دفعة من الصور المدخلة. | |
| return_dict (`bool`، *اختياري*، الافتراضي `True`) : ما إذا كان يجب إرجاع `~models.autoencoder_kl.AutoencoderKLOutput` بدلاً من tuple عادي. | |
| **يعيد:** | |
| تمثيلات الكامنة للصور المُرمّزة. إذا كان `return_dict` صحيحًا (True)، يُعاد `~models.autoencoder_kl.AutoencoderKLOutput`، وإلا يُعاد `tuple` عادي. | |
| ترميز دفعة من الصور إلى كامنات. | |
| #### forward[[diffusers.AutoencoderKLKVAE.forward]] | |
| ```python | |
| forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L776) | |
| **المعاملات:** | |
| sample (`torch.Tensor`) : عينة الإدخال. | |
| sample_posterior (`bool`، *اختياري*، الافتراضي `False`) : ما إذا كان سيتم أخذ عينة من التوزيع اللاحق. | |
| return_dict (`bool`، *اختياري*، الافتراضي `True`) : ما إذا كان يجب إرجاع `DecoderOutput` بدلاً من tuple عادي. | |
| generator (`torch.Generator`، *اختياري*) : [`torch.Generator`](https://pytorch.org/docs/stable/generated/torch.Generator.html) لجعل عملية أخذ العينات حتمية. | |
| **يعيد:** `~models.vae.DecoderOutput` أو `tuple` | |
| إذا كان `return_dict` صحيحًا، يُعاد `~models.vae.DecoderOutput`، وإلا يُعاد `tuple` عادي. | |
| #### tiled_decode[[diffusers.AutoencoderKLKVAE.tiled_decode]] | |
| ```python | |
| tiled_decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L729) | |
| **المعاملات:** | |
| z (`torch.Tensor`) : دفعة إدخال من المتجهات الكامنة. | |
| return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع `~models.vae.DecoderOutput` بدلاً من tuple عادي. | |
| **يعيد:** `~models.vae.DecoderOutput` أو `tuple` | |
| إذا كانت return_dict تساوي True، يُعاد `~models.vae.DecoderOutput`، وإلا يُعاد `tuple` عادي. | |
| فكّ تشفير دفعة من الصور باستخدام مُفكّك مُجزّأ. | |
Xet Storage Details
- Size:
- 6.07 kB
- Xet hash:
- f880ff50610a2d3942cee930c4f628219aa5cdb238e27f28a8a50239f58f7e7a
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.