Buckets:
| # AutoencoderKLKVAE | |
| Le modèle d'auto-encodeur variationnel (VAE) 2D avec perte KL. | |
| Le modèle peut être chargé à l'aide du fragment de code suivant. | |
| ```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) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L521) | |
| **Paramètres :** | |
| in_channels (int, *facultatif*, valeur par défaut 3) : Nombre de canaux de l'image d'entrée. | |
| channels (int, *facultatif*, valeur par défaut 128) : Le nombre de base de canaux dans les blocs multirésolution. | |
| num_enc_blocks (int, *facultatif*, valeur par défaut 2) : Le nombre de blocs Resnet dans les couches multirésolution de l'encodeur. | |
| num_dec_blocks (int, *facultatif*, valeur par défaut 2) : Le nombre de blocs Resnet dans les couches multirésolution du décodeur. | |
| z_channels (int, *facultatif*, valeur par défaut 16) : Nombre de canaux dans l'espace latent. | |
| double_z (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut doubler le nombre de canaux de sortie de l'encodeur. | |
| ch_mult (`Tuple[int, ...]`, *facultatif*, par défaut `(1, 2, 4, 8)`) : Les multiplicateurs de canaux dans les blocs multirésolution. | |
| sample_size (`int`, *facultatif*, par défaut `1024`) : Taille d'entrée d'échantillonnage. | |
| Un modèle VAE avec perte KL pour encoder des images en latents et décoder des représentations latentes en images. | |
| Ce modèle hérite de [ModelMixin](/docs/diffusers/v0.43.0/fr/api/models/overview#diffusers.ModelMixin). Consultez la documentation de la classe parente pour ses méthodes génériques implémentées pour tous les modèles (téléchargement ou sauvegarde, par exemple). | |
| #### decode[[diffusers.AutoencoderKLKVAE.decode]] | |
| ```python | |
| decode(z: FloatTensor, return_dict: bool = True, generator = None) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L642) | |
| **Paramètres :** | |
| z (`torch.Tensor`) : Lot d'entrée de vecteurs latents. | |
| return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `~models.vae.DecoderOutput` plutôt qu'un simple tuple. | |
| **Retourne :** `~models.vae.DecoderOutput` ou `tuple` | |
| Si `return_dict` est True, un `~models.vae.DecoderOutput` est renvoyé, sinon un simple `tuple` est renvoyé. | |
| Décoder un lot d'images. | |
| #### encode[[diffusers.AutoencoderKLKVAE.encode]] | |
| ```python | |
| encode(x: Tensor, return_dict: bool = True) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L602) | |
| **Paramètres :** | |
| x (`torch.Tensor`) : Lot d'images en entrée. | |
| return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `~models.autoencoder_kl.AutoencoderKLOutput` plutôt qu'un simple tuple. | |
| **Retourne :** | |
| Les représentations latentes des images encodées. Si `return_dict` est True, un `~models.autoencoder_kl.AutoencoderKLOutput` est renvoyé, sinon un simple `tuple` est renvoyé. | |
| Encode un lot d'images en latents. | |
| #### forward[[diffusers.AutoencoderKLKVAE.forward]] | |
| ```python | |
| forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L776) | |
| **Paramètres :** | |
| sample (`torch.Tensor`) : Échantillon d'entrée. | |
| sample_posterior (`bool`, *facultatif*, par défaut `False`) : Indique s'il faut échantillonner à partir de la distribution a posteriori. | |
| return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `DecoderOutput` plutôt qu'un simple tuple. | |
| generator (`torch.Generator`, *facultatif*) : Un [`torch.Generator`](https://pytorch.org/docs/stable/generated/torch.Generator.html) pour rendre l'échantillonnage déterministe. | |
| **Retourne :** `~models.vae.DecoderOutput` ou `tuple` | |
| Si `return_dict` est True, un `~models.vae.DecoderOutput` est renvoyé, sinon un simple `tuple` est renvoyé. | |
| #### tiled_decode[[diffusers.AutoencoderKLKVAE.tiled_decode]] | |
| ```python | |
| tiled_decode(z: Tensor, return_dict: bool = True) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_kvae.py#L729) | |
| **Paramètres :** | |
| z (`torch.Tensor`) : Lot d'entrée de vecteurs latents. | |
| return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `~models.vae.DecoderOutput` plutôt qu'un simple tuple. | |
| **Retourne :** `~models.vae.DecoderOutput` ou `tuple` | |
| Si `return_dict` est True, un `~models.vae.DecoderOutput` est renvoyé, sinon un simple `tuple` est renvoyé. | |
| Décoder un lot d'images à l'aide d'un décodeur tuilé. | |
Xet Storage Details
- Size:
- 5.27 kB
- Xet hash:
- eac46004800779c689dd72a250c137a7ee06bfc89684b36cbdc22a91fde46ce3
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.