Buckets:
| # Funções de ativação | |
| Funções de ativação personalizadas para suportar vários modelos no 🤗 Diffusers. | |
| ## 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) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/activations.py#L65) | |
| **Parâmetros:** | |
| dim_in (`int`) : O número de canais na entrada. | |
| dim_out (`int`) : O número de canais na saída. | |
| approximate (`str`, *opcional*, padrão `"none"`) : Se `"tanh"`, usa a aproximação tanh. | |
| bias (`bool`, padrão True) : Se deve usar um viés na camada linear. | |
| Função de ativação GELU com suporte à aproximação tanh usando `approximate="tanh"`. | |
| ## 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) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/activations.py#L90) | |
| **Parâmetros:** | |
| dim_in (`int`) : O número de canais na entrada. | |
| dim_out (`int`) : O número de canais na saída. | |
| bias (`bool`, padrão True) : Se deve usar um viés na camada linear. | |
| Uma [variante](https://huggingface.co/papers/2002.05202) da função de ativação da unidade linear com portão. | |
| ## 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) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/activations.py#L143) | |
| **Parâmetros:** | |
| dim_in (`int`) : O número de canais na entrada. | |
| dim_out (`int`) : O número de canais na saída. | |
| bias (`bool`, padrão True) : Se deve usar um viés na camada linear. | |
| A forma aproximada da Gaussian Error Linear Unit (GELU). Para mais detalhes, consulte a seção 2 deste [artigo](https://huggingface.co/papers/1606.08415). | |
| ## 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) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/activations.py#L120) | |
| **Parâmetros:** | |
| dim_in (`int`) : O número de canais na entrada. | |
| dim_out (`int`) : O número de canais na saída. | |
| bias (`bool`, padrão True) : Se deve usar um viés na camada linear. | |
| Uma [variante](https://huggingface.co/papers/2002.05202) da função de ativação gated linear unit. É semelhante ao `GEGLU`, mas usa SiLU / Swish em vez de GeLU. | |
| ## FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| #### diffusers.models.activations.FP32SiLU[[diffusers.models.activations.FP32SiLU]] | |
| ```python | |
| diffusers.models.activations.FP32SiLU() | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/activations.py#L53) | |
| Função de ativação SiLU com entrada convertida para torch.float32. | |
| ## 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') | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/activations.py#L163) | |
Xet Storage Details
- Size:
- 3.66 kB
- Xet hash:
- b20f2c9a1ed28b6378aa3e881977881c33e2ab05aef802714fc937f887249122
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.