diffusers/v0.43.0/zh/api/models/autoencoder_kl_wan.md

AutoencoderKLWan

阿里巴巴 Wan 团队在 Wan 2.1 中使用的带 KL 损失的 3D 变分自编码器（VAE）模型。

可以使用以下代码片段加载该模型。

from diffusers import AutoencoderKLWan

vae = AutoencoderKLWan.from_pretrained("Wan-AI/Wan2.1-T2V-1.3B-Diffusers", subfolder="vae", dtype=torch.float32)

AutoencoderKLWan[[diffusers.AutoencoderKLWan]]

diffusers.AutoencoderKLWan[[diffusers.AutoencoderKLWan]]

diffusers.AutoencoderKLWan(base_dim: int = 96, decoder_base_dim: int | None = None, z_dim: int = 16, dim_mult: list[int] = [1, 2, 4, 4], num_res_blocks: int = 2, attn_scales: list[float] = [], temperal_downsample: list[bool] = [False, True, True], dropout: float = 0.0, latents_mean: list[float] = [-0.7571, -0.7089, -0.9113, 0.1075, -0.1745, 0.9653, -0.1517, 1.5508, 0.4134, -0.0715, 0.5517, -0.3632, -0.1922, -0.9497, 0.2503, -0.2921], latents_std: list[float] = [2.8184, 1.4541, 2.3275, 2.6558, 1.2196, 1.7708, 2.6052, 2.0743, 3.2687, 2.1526, 2.8652, 1.5579, 1.6382, 1.1253, 2.8251, 1.916], is_residual: bool = False, in_channels: int = 3, out_channels: int = 3, patch_size: int | None = None, scale_factor_temporal: int | None = 4, scale_factor_spatial: int | None = 8)

源代码

一个用于将视频编码为潜在表示并将潜在表示解码为视频的 VAE 模型，采用 KL 损失。在 [Wan 2.1] 中引入。

该模型继承自 ModelMixin。请查阅其父类文档，了解为所有模型实现的通用方法（例如下载或保存）。

decode[[diffusers.AutoencoderKLWan.decode]]

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

源代码

参数：

z (torch.Tensor) : 输入的潜在向量批次。

return_dict (bool，可选，默认为 True)：是否返回 ~models.vae.DecoderOutput 而不是普通元组。

返回： ~models.vae.DecoderOutput 或 tuple

如果 return_dict 为 True，则返回 ~models.vae.DecoderOutput，否则返回普通的 tuple。

解码一批图像。

enable_tiling[[diffusers.AutoencoderKLWan.enable_tiling]]

enable_tiling(tile_sample_min_height: int | None = None, tile_sample_min_width: int | None = None, tile_sample_stride_height: float | None = None, tile_sample_stride_width: float | None = None)

源代码

参数：

tile_sample_min_height (int, 可选) : 样本在高度维度上被分割为多个图块所需的最小高度。

tile_sample_min_width (int, 可选) : 将样本沿宽度维度分割为多个图块所需的最小宽度。

tile_sample_stride_height (int, 可选) : 两个连续垂直瓦片之间的最小重叠量。这旨在确保在高度维度上不会产生瓦片拼接伪影。

tile_sample_stride_width (int, 可选) : 两个相邻水平瓦片之间的步长。这用于确保在宽度维度上不会产生瓦片伪影。

启用分块 VAE 解码。启用此选项后，VAE 会将输入张量拆分为多个块，分步执行解码和编码。这有助于节省大量内存，并支持处理更大的图像。

encode[[diffusers.AutoencoderKLWan.encode]]

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

源代码

参数：

x (torch.Tensor) : 输入图像批次。

return_dict (bool，可选，默认为 True)：是否返回 ~models.autoencoder_kl.AutoencoderKLOutput 而不是普通元组。

返回值：

编码视频的潜在表示。如果 return_dict 为 True，则返回 ~models.autoencoder_kl.AutoencoderKLOutput，否则返回普通的 tuple。

将一批图像编码为潜在表示。

forward[[diffusers.AutoencoderKLWan.forward]]

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

源代码

参数：

sample (torch.Tensor) : 输入样本。

sample_posterior (bool，可选，默认为 False)：是否从后验分布中采样。

return_dict (bool，可选，默认为 True)：是否返回 DecoderOutput 而不是普通元组。

generator (torch.Generator，可选)：一个 torch.Generator，用于使采样过程具有确定性。

返回： ~models.vae.DecoderOutput 或 tuple

如果 return_dict 为 True，则返回 ~models.vae.DecoderOutput，否则返回普通的 tuple。

tiled_decode[[diffusers.AutoencoderKLWan.tiled_decode]]

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

源代码

参数：

z (torch.Tensor) : 输入的潜在向量批次。

return_dict (bool，可选，默认为 True)：是否返回 ~models.vae.DecoderOutput 而不是普通元组。

返回： ~models.vae.DecoderOutput 或 tuple

如果 return_dict 为 True，则返回 ~models.vae.DecoderOutput，否则返回普通的 tuple。

使用分块解码器解码一批图像。

tiled_encode[[diffusers.AutoencoderKLWan.tiled_encode]]

tiled_encode(x: Tensor)

源代码

参数：

x (torch.Tensor) : 输入的视频批次。

返回： torch.Tensor

编码视频的潜在表示。

使用分块编码器对一批图像进行编码。

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)

源代码

参数：

sample (torch.Tensor，形状为 (batch_size, num_channels, height, width))：模型最后一层解码后的输出样本。

解码方法的输出。