# AutoencoderKLPH3Image

El VAE de imágenes de [P-H3-Image](https://huggingface.co/PrunaAI/P-H3-Image) de Pruna AI. Utiliza el codificador y el espacio latente del [VAE de video](./autoencoderkl_minimax_h3) de MiniMax-H3, junto con un decodificador ViT que decodifica un único marco latente en una imagen.

Sigue las convenciones de [AutoencoderKLMiniMaxH3](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_minimax_h3#diffusers.AutoencoderKLMiniMaxH3):

- Las imágenes se pasan como videos de un solo fotograma, `(batch_size, channels, 1, height, width)`, con una compresión espacial de 16x.
- Los latentes se normalizan por canal con `latents_mean` / `latents_std` en lugar de un `scaling_factor`.
- Los píxeles son RGB normalizados con ImageNet sobre `[0, 1]`: `encode` espera `(pixel - imagenet_mean) / imagenet_std` y `decode` devuelve ese espacio.
- El mosaico espacial está activado de forma predeterminada, con mosaicos de 256 píxeles y al menos 64 píxeles de solapamiento.

```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"
```

La proyección de salida del codificador y del decodificador permanece en float32, sin importar el `dtype` en el que se cargue el modelo.

## 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))
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L493)

El VAE de imagen de [P-H3-Image](https://huggingface.co/PrunaAI/P-H3-Image): el codificador VAE y el espacio latente de MiniMax-H3, con un `PH3ImageViTDecoder` que decodifica un único fotograma latente.

Las imágenes se pasan como videos de un solo fotograma, `(batch_size, channels, 1, height, width)`. Al igual que en [AutoencoderKLMiniMaxH3](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_minimax_h3#diffusers.AutoencoderKLMiniMaxH3), los píxeles son RGB normalizados con ImageNet sobre `[0, 1]` (media `(0.485, 0.456, 0.406)`, desviación estándar `(0.229, 0.224, 0.225)`) y el mosaico espacial está activado de forma predeterminada.

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

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

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L728)

**Parámetros:**

x (`torch.Tensor`) : Lote de entrada de imágenes como videos de un solo fotograma, con forma `(batch_size, in_channels, 1, height, width)`.

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Si se debe devolver un [AutoencoderKLOutput](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_qwenimage#diffusers.models.modeling_outputs.AutoencoderKLOutput) en lugar de una tupla simple.

**Devuelve:**

La distribución latente de las imágenes codificadas. Tenga en cuenta que los latentes se normalizan con `latents_mean` / `latents_std` a continuación.

Codifica un lote de imágenes en latentes.

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

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

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L757)

**Parámetros:**

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

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Si se debe devolver un [DecoderOutput](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) en lugar de una tupla simple.

**Devuelve:** [DecoderOutput](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) o `tuple`

Las imágenes decodificadas, con forma `(batch_size, out_channels, 1, height, width)`.

Decodificar un lote de imágenes 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)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L575)

**Parámetros:**

tile_sample_min_height (`int`, *opcional*) : La altura de la tesela en el espacio de píxeles. Los fotogramas más altos que este valor se dividen a lo largo de la dimensión de altura.

tile_sample_min_width (`int`, *opcional*) : El ancho de la tesela en espacio de píxeles. Los fotogramas más anchos que este valor se dividen a lo largo de la dimensión de ancho.

tile_sample_min_overlap_height (`int`, *opcional*) : La superposición mínima, en píxeles, entre dos mosaicos verticales consecutivos.

tile_sample_min_overlap_width (`int`, *opcional*) : La superposición mínima, en píxeles, entre dos mosaicos horizontales consecutivos.

Habilita la codificación/decodificación de VAE por mosaicos. Cuando esta opción está habilitada, el VAE divide los fotogramas en mosaicos, codifica o decodifica cada mosaico por separado y combina linealmente las superposiciones. Esto reduce el requisito de memoria y permite procesar fotogramas más grandes.

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

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

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_p_h3_image.py#L784)

**Parámetros:**

sample (`torch.Tensor`) : Lote de entrada de imágenes como videos de un solo fotograma, con forma `(batch_size, in_channels, 1, height, width)`.

sample_posterior (`bool`, *opcional*, por defecto `False`) : Si se debe muestrear la posterior en lugar de tomar su modo.

generator (`torch.Generator`, *opcional*) : Generador utilizado cuando `sample_posterior=True`.

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Si se debe devolver un [DecoderOutput](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) en lugar de una tupla simple.

**Devuelve:** [DecoderOutput](/docs/diffusers/v0.43.0/es/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) o `tuple`

Las imágenes de ida y vuelta, con forma `(batch_size, out_channels, 1, height, width)`.

Codificar y luego decodificar un lote de imágenes.