# AutoencoderKLPH3Image

O VAE de imagem de [P-H3-Image](https://huggingface.co/PrunaAI/P-H3-Image) da Pruna AI. Ele utiliza o codificador e o espaço latente do [VAE de vídeo](./autoencoderkl_minimax_h3) do MiniMax-H3, com um decodificador ViT que decodifica um único frame latente em uma imagem.

Segue as convenções de [AutoencoderKLMiniMaxH3](/docs/diffusers/main/pt/api/models/autoencoderkl_minimax_h3#diffusers.AutoencoderKLMiniMaxH3):

- As imagens são passadas como vídeos de quadro único, `(batch_size, channels, 1, height, width)`, com compressão espacial de 16x.
- Os latentes são normalizados por canal com `latents_mean` / `latents_std` em vez de um `scaling_factor`.
- Os pixels são RGB normalizados pelo ImageNet em `[0, 1]`: `encode` espera `(pixel - imagenet_mean) / imagenet_std` e `decode` retorna esse espaço.
- O mosaico espacial está ativado por padrão, com mosaicos de 256 pixels e pelo menos 64 pixels de sobreposição.

```python
import torch
from diffusers import AutoencoderKLPH3Image

vae = AutoencoderKLPH3Image.from_pretrained("PrunaAI/P-H3-Image", subfolder="vae", dtype=torch.bfloat16).to(
    "cuda"
)  # or "mps", "xpu", "cpu"
```

A projeção de saída do codificador e do decodificador permanece em float32, independentemente do `dtype` em que o modelo é carregado.

## AutoencoderKLPH3Image[[diffusers.AutoencoderKLPH3Image]]

#### diffusers.AutoencoderKLPH3Image[[diffusers.AutoencoderKLPH3Image]]

```python
diffusers.AutoencoderKLPH3Image(in_channels: int = 3, out_channels: int = 3, latent_channels: int = 24, block_out_channels: tuple[int, ...] = (128, 256, 256, 512, 512, 1024), layers_per_block: int = 2, spatial_downsample_factors: tuple[int, ...] = (2, 2, 2, 2, 1, 1), temporal_downsample_factors: tuple[int, ...] = (1, 2, 2, 1, 1, 1), norm_num_groups: int = 32, norm_eps: float = 1e-06, spatial_padding_mode: str = 'reflect', decoder_num_layers: int = 36, decoder_num_attention_heads: int = 32, decoder_attention_head_dim: int = 64, decoder_num_register_tokens: int = 4, decoder_ffn_mult: int = 4, decoder_rope_theta: float = 100.0, decoder_rope_dim_ratio: float = 0.75, decoder_norm_eps: float = 1e-05, latents_mean: tuple[float, ...] = (0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0), latents_std: tuple[float, ...] = (1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0))
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L493)

O VAE de imagem de [P-H3-Image](https://huggingface.co/PrunaAI/P-H3-Image): o codificador VAE e o espaço latente do MiniMax-H3, com um `PH3ImageViTDecoder` que decodifica um único quadro latente.

As imagens são passadas como vídeos de quadro único, `(batch_size, channels, 1, height, width)`. Assim como em [AutoencoderKLMiniMaxH3](/docs/diffusers/main/pt/api/models/autoencoderkl_minimax_h3#diffusers.AutoencoderKLMiniMaxH3), os pixels são RGB normalizados pelo ImageNet sobre `[0, 1]` (média `(0.485, 0.456, 0.406)`, desvio padrão `(0.229, 0.224, 0.225)`) e o tiling espacial está ativado por padrão.

#### encode[[diffusers.AutoencoderKLPH3Image.encode]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L728)

**Parâmetros:**

x (`torch.Tensor`) : Lote de entrada de imagens como vídeos de quadro único, com forma `(batch_size, in_channels, 1, height, width)`.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar um [AutoencoderKLOutput](/docs/diffusers/main/pt/api/models/autoencoderkl_qwenimage#diffusers.models.modeling_outputs.AutoencoderKLOutput) em vez de uma tupla simples.

**Retorna:**

A distribuição latente das imagens codificadas. Observe que os latentes são normalizados com `latents_mean` / `latents_std` em seguida.

Codifica um lote de imagens em latentes.

#### decode[[diffusers.AutoencoderKLPH3Image.decode]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L757)

**Parâmetros:**

z (`torch.Tensor`) : Lote de entrada de latentes, formato `(batch_size, latent_channels, 1, height, width)`.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar um [DecoderOutput](/docs/diffusers/main/pt/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) em vez de uma tupla simples.

**Retorna:** [DecoderOutput](/docs/diffusers/main/pt/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) ou `tuple`

As imagens decodificadas, com formato `(batch_size, out_channels, 1, height, width)`.

Decodifique um lote de imagens latentes.

#### enable_tiling[[diffusers.AutoencoderKLPH3Image.enable_tiling]]

```python
enable_tiling(tile_sample_min_height: int | None = None, tile_sample_min_width: int | None = None, tile_sample_min_overlap_height: int | None = None, tile_sample_min_overlap_width: int | None = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L575)

**Parâmetros:**

tile_sample_min_height (`int`, *opcional*) : A altura do tile no espaço de pixels. Quadros mais altos que isso são divididos ao longo da dimensão de altura.

tile_sample_min_width (`int`, *opcional*) : A largura do tile no espaço de pixels. Quadros mais largos que isso são divididos ao longo da dimensão de largura.

tile_sample_min_overlap_height (`int`, *opcional*) : O mínimo de sobreposição, em pixels, entre duas tiles verticais consecutivas.

tile_sample_min_overlap_width (`int`, *opcional*) : O mínimo de sobreposição, em pixels, entre duas tiles horizontais consecutivas.

Ativa a codificação/decodificação em blocos (tiled) do VAE. Quando essa opção está ativada, o VAE divide os quadros em blocos, codifica ou decodifica cada bloco separadamente e mescla linearmente as sobreposições novamente. Isso reduz o requisito de memória e permite o processamento de quadros maiores.

#### forward[[diffusers.AutoencoderKLPH3Image.forward]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L784)

**Parâmetros:**

sample (`torch.Tensor`) : Lote de entrada de imagens como vídeos de quadro único, com forma `(batch_size, in_channels, 1, height, width)`.

sample_posterior (`bool`, *opcional*, padrão `False`) : Se deve amostrar a posterior em vez de tomar seu modo.

generator (`torch.Generator`, *opcional*) : Gerador usado quando `sample_posterior=True`.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar um [DecoderOutput](/docs/diffusers/main/pt/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) em vez de uma tupla simples.

**Retorna:** [DecoderOutput](/docs/diffusers/main/pt/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) ou `tuple`

As imagens de ida e volta, com forma `(batch_size, out_channels, 1, height, width)`.

Codifique e depois decodifique um lote de imagens.