# UNet1DModel

تم تقديم نموذج [UNet](https://huggingface.co/papers/1505.04597) في الأصل بواسطة Ronneberger et al. لتجزئة الصور الطبية الحيوية، لكنه يُستخدم أيضاً بشكل شائع في 🤗 Diffusers لأنه يُخرج صوراً بنفس حجم المدخلات. وهو أحد أهم مكونات نظام الانتشار لأنه ييسّر عملية الانتشار الفعلية. توجد عدة متغيرات لنموذج UNet في 🤗 Diffusers، اعتماداً على عدد أبعاده وعلى ما إذا كان نموذجاً شرطياً أم لا. هذا نموذج UNet أحادي البعد.

ملخص الورقة البحثية هو:

*يوجد إجماع واسع على أن التدريب الناجح للشبكات العميقة يتطلب آلاف الأمثلة التدريبية الموسومة. في هذه الورقة، نقدم شبكة واستراتيجية تدريب تعتمدان على الاستخدام القوي لزيادة البيانات لاستخدام الأمثلة الموسومة المتاحة بكفاءة أكبر. تتكون البنية من مسار انكماشي لالتقاط السياق ومسار متوسع متماثل يمكّن من تحديد دقيق للمواقع. نُظهر أن مثل هذه الشبكة يمكن تدريبها من البداية إلى النهاية من عدد قليل جداً من الصور، وتتفوق على أفضل طريقة سابقة (شبكة تلافيفية بنافذة منزلقة) في تحدي ISBI لتجزئة الهياكل العصبية في المكدسات المجهرية الإلكترونية. وباستخدام نفس الشبكة المدرَّبة على صور المجهر الضوئي المنقول (تباين الطور وDIC)، فزنا بتحدي ISBI لتتبع الخلايا 2015 في هذه الفئات بفارق كبير. علاوة على ذلك، الشبكة سريعة. تستغرق تجزئة صورة 512x512 أقل من ثانية على وحدة معالجة رسومية حديثة. تتوفر التنفيذ الكامل (المبني على Caffe) والشبكات المدرَّبة على http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net.*

## UNet1DModel[[diffusers.UNet1DModel]]

#### diffusers.UNet1DModel[[diffusers.UNet1DModel]]

```python
diffusers.UNet1DModel(sample_size: int = 65536, sample_rate: int | None = None, in_channels: int = 2, out_channels: int = 2, extra_in_channels: int = 0, time_embedding_type: str = 'fourier', time_embedding_dim: int | None = None, flip_sin_to_cos: bool = True, use_timestep_embedding: bool = False, freq_shift: float = 0.0, down_block_types: tuple[str, ...] = ('DownBlock1DNoSkip', 'DownBlock1D', 'AttnDownBlock1D'), up_block_types: tuple[str, ...] = ('AttnUpBlock1D', 'UpBlock1D', 'UpBlock1DNoSkip'), mid_block_type: str = 'UNetMidBlock1D', out_block_type: str = None, block_out_channels: tuple[int, ...] = (32, 32, 64), act_fn: str = None, norm_num_groups: int = 8, layers_per_block: int = 1, downsample_each_block: bool = False)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/unets/unet_1d.py#L40)

**المعاملات:**

sample_size (`int`, *اختياري*) : الطول الافتراضي للعينة. يجب أن يكون قابلاً للتكيف وقت التشغيل.

in_channels (`int`، *اختياري*، القيمة الافتراضية 2) : عدد القنوات في العينة المدخلة.

out_channels (`int`، *اختياري*، القيمة الافتراضية 2) : عدد القنوات في المخرجات.

extra_in_channels (`int`، *اختياري*، القيمة الافتراضية 0) : عدد القنوات الإضافية التي تُضاف إلى مدخل أول كتلة هبوط. مفيد في الحالات التي يكون فيها عدد قنوات البيانات المدخلة أكبر مما صُمم النموذج في الأصل للتعامل معه.

time_embedding_type (`str`، *اختياري*، الافتراضي `"fourier"`) : نوع تضمين الوقت المستخدم.

freq_shift (`float`، *اختياري*، القيمة الافتراضية 0.0) : إزاحة التردد للتضمين الزمني لـ Fourier.

flip_sin_to_cos (`bool`، *اختياري*، القيمة الافتراضية `False`) : ما إذا كان يجب عكس sin إلى cos لتضمين الوقت في فورييه.

down_block_types (`tuple[str]`، *اختياري*، القيمة الافتراضية `("DownBlock1DNoSkip", "DownBlock1D", "AttnDownBlock1D")`) : مجموعة من أنواع كتل التقليل.

up_block_types (`tuple[str]`، *اختياري*، القيمة الافتراضية `("AttnUpBlock1D", "UpBlock1D", "UpBlock1DNoSkip")`) : مجموعة من أنواع كتل التوسيع (upsample).

block_out_channels (`tuple[int]`، *اختياري*، القيمة الافتراضية `(32, 32, 64)`) : مجموعة من قنوات المخرجات لكل كتلة.

mid_block_type (`str`، *اختياري*، القيمة الافتراضية `"UNetMidBlock1D"`) : نوع الكتلة في منتصف UNet.

out_block_type (`str`، *اختياري*، القيمة الافتراضية `None`) : كتلة معالجة الإخراج الاختيارية لـ UNet.

act_fn (`str`، *اختياري*، القيمة الافتراضية `None`) : دالة التفعيل الاختيارية في كتل UNet.

norm_num_groups (`int`، *اختياري*، القيمة الافتراضية 8) : عدد المجموعات للتطبيع.

layers_per_block (`int`، *اختياري*، القيمة الافتراضية 1) : عدد الطبقات في كل كتلة.

downsample_each_block (`int`، *اختياري*، القيمة الافتراضية `False`) : ميزة تجريبية لاستخدام UNet دون إعادة أخذ العينات التصاعدية.

نموذج UNet أحادي البعد يستقبل عينة ضجيج وخطوة زمنية ويعيد إخراجًا على شكل العينة.

يرث هذا النموذج من [ModelMixin](/docs/diffusers/v0.43.0/ar/api/models/overview#diffusers.ModelMixin). راجع توثيق الفئة الأصلية لمعرفة طرقه العامة المُنفَّذة لجميع النماذج (مثل التنزيل أو الحفظ).

#### forward[[diffusers.UNet1DModel.forward]]

```python
forward(sample: Tensor, timestep: typing.Union[torch.Tensor, float, int], return_dict: bool = True)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/unets/unet_1d.py#L205)

**المعاملات:**

sample (`torch.Tensor`) : المصفوفة المدخلة الضجيجية ذات الشكل التالي `(batch_size, num_channels, sample_size)`.

timestep (`torch.Tensor` أو `float` أو `int`) : عدد خطوات الزمن لإزالة الضوضاء من مدخل.

return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع [UNet1DOutput](/docs/diffusers/v0.43.0/ar/api/models/unet#diffusers.models.unets.unet_1d.UNet1DOutput) بدلاً من tuple عادي.

**يعيد:** [UNet1DOutput](/docs/diffusers/v0.43.0/ar/api/models/unet#diffusers.models.unets.unet_1d.UNet1DOutput) أو `tuple`

إذا كان `return_dict` صحيحًا، يُعاد [UNet1DOutput](/docs/diffusers/v0.43.0/ar/api/models/unet#diffusers.models.unets.unet_1d.UNet1DOutput)، وإلا يُعاد `tuple` يكون عنصره الأول هو متجه العينة.

طريقة [UNet1DModel](/docs/diffusers/v0.43.0/ar/api/models/unet#diffusers.UNet1DModel) الأمامية.

## UNet1DOutput[[diffusers.models.unets.unet_1d.UNet1DOutput]]

#### diffusers.models.unets.unet_1d.UNet1DOutput[[diffusers.models.unets.unet_1d.UNet1DOutput]]

```python
diffusers.models.unets.unet_1d.UNet1DOutput(sample: Tensor)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/unets/unet_1d.py#L28)

**المعاملات:**

sample (`torch.Tensor` من الشكل `(batch_size, num_channels, sample_size)`) : حالات الإخفاء المُخرَجة من الطبقة الأخيرة للنموذج.

مخرجات [UNet1DModel](/docs/diffusers/v0.43.0/ar/api/models/unet#diffusers.UNet1DModel).