Diffusers 文档
Tiny AutoEncoder
并获得增强的文档体验
开始使用
微型自动编码器
用于 Stable Diffusion (TAESD) 的微型自动编码器由 Ollin Boer Bohan 在 madebyollin/taesd 中引入。它是 Stable Diffusion 的 VAE 的一个微型精炼版本，可以几乎即时地解码 StableDiffusionPipeline 或 StableDiffusionXLPipeline 中的潜在变量。
与 Stable Diffusion v-2.1 配合使用
import torch
from diffusers import DiffusionPipeline, AutoencoderTiny
pipe = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-2-1-base", torch_dtype=torch.float16
)
pipe.vae = AutoencoderTiny.from_pretrained("madebyollin/taesd", torch_dtype=torch.float16)
pipe = pipe.to("cuda")
prompt = "slice of delicious New York-style berry cheesecake"
image = pipe(prompt, num_inference_steps=25).images[0]
image与 Stable Diffusion XL 1.0 配合使用
import torch
from diffusers import DiffusionPipeline, AutoencoderTiny
pipe = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
)
pipe.vae = AutoencoderTiny.from_pretrained("madebyollin/taesdxl", torch_dtype=torch.float16)
pipe = pipe.to("cuda")
prompt = "slice of delicious New York-style berry cheesecake"
image = pipe(prompt, num_inference_steps=25).images[0]
imageAutoencoderTiny
类 diffusers.AutoencoderTiny
< 来源 >( in_channels: int = 3 out_channels: int = 3 encoder_block_out_channels: typing.Tuple[int, ...] = (64, 64, 64, 64) decoder_block_out_channels: typing.Tuple[int, ...] = (64, 64, 64, 64) act_fn: str = 'relu' upsample_fn: str = 'nearest' latent_channels: int = 4 upsampling_scaling_factor: int = 2 num_encoder_blocks: typing.Tuple[int, ...] = (1, 3, 3, 3) num_decoder_blocks: typing.Tuple[int, ...] = (3, 3, 3, 1) latent_magnitude: int = 3 latent_shift: float = 0.5 force_upcast: bool = False scaling_factor: float = 1.0 shift_factor: float = 0.0 )
参数
- in_channels (
int, 可选, 默认为 3) — 输入图像中的通道数。 - out_channels (
int, 可选, 默认为 3) — 输出中的通道数。 - encoder_block_out_channels (
Tuple[int], 可选, 默认为(64, 64, 64, 64)) — 表示每个编码器块输出通道数的整数元组。元组的长度应与编码器块的数量相等。 - decoder_block_out_channels (
Tuple[int], 可选, 默认为(64, 64, 64, 64)) — 表示每个解码器块输出通道数的整数元组。元组的长度应与解码器块的数量相等。 - act_fn (
str, 可选, 默认为"relu") — 模型中使用的激活函数。 - latent_channels (
int, 可选, 默认为 4) — 潜在表示中的通道数。潜在空间充当输入图像的压缩表示。 - upsampling_scaling_factor (
int, 可选, 默认为 2) — 解码器中上采样的缩放因子。它决定了上采样过程中输出图像的大小。 - num_encoder_blocks (
Tuple[int], 可选, 默认为(1, 3, 3, 3)) — 表示编码过程中每个阶段的编码器块数量的整数元组。元组的长度应与编码器中的阶段数量相等。每个阶段的编码器块数量不同。 - num_decoder_blocks (
Tuple[int], 可选, 默认为(3, 3, 3, 1)) — 表示解码过程中每个阶段的解码器块数量的整数元组。元组的长度应与解码器中的阶段数量相等。每个阶段的解码器块数量不同。 - latent_magnitude (
float, 可选, 默认为 3.0) — 潜在表示的幅度。此参数用于缩放潜在表示值，以控制信息保留的程度。 - latent_shift (float, 可选, 默认为 0.5) — 应用于潜在表示的偏移。此参数控制潜在空间的中心。
- scaling_factor (
float, 可选, 默认为 1.0) — 使用训练集的第一批计算出的训练潜在空间的组件式标准差。这用于在训练扩散模型时将潜在空间缩放为单位方差。在传递给扩散模型之前，潜在变量会按照公式z = z * scaling_factor进行缩放。解码时，潜在变量会按照公式z = 1 / scaling_factor * z缩放回原始比例。有关更多详细信息，请参阅 使用潜在扩散模型进行高分辨率图像合成 论文的第 4.3.2 和 D.1 节。然而，此自动编码器未使用此类缩放因子，因此默认值为 1.0。 - force_upcast (
bool, 可选, 默认为False) — 如果启用，它将强制 VAE 以 float32 运行，以用于高图像分辨率的管道，例如 SD-XL。VAE 可以进行微调/训练以降低范围而不会损失太多精度，在这种情况下，force_upcast可以设置为False（请参阅此支持 fp16 的 自动编码器）。
一个微型精炼 VAE 模型，用于将图像编码为潜在变量并将潜在表示解码为图像。
AutoencoderTiny 是 TAESD 原始实现的包装器。
此模型继承自 ModelMixin。有关为其所有模型实现的通用方法（例如下载或保存），请查阅超类文档。
禁用切片 VAE 解码。如果之前启用了 enable_slicing，此方法将恢复一步计算解码。
禁用平铺 VAE 解码。如果之前启用了 enable_tiling，此方法将恢复一步计算解码。
启用切片 VAE 解码。启用此选项后，VAE 会将输入张量分片，分步计算解码。这有助于节省一些内存并允许更大的批次大小。
启用平铺 VAE 解码。启用此选项后，VAE 将把输入张量分割成瓦片，分多步计算编码和解码。这对于节省大量内存和处理更大的图像非常有用。
前向
< 来源 >( sample: Tensor return_dict: bool = True )
原始潜在变量 -> [0, 1]
[0, 1] -> 原始潜在变量
AutoencoderTinyOutput
类 diffusers.models.autoencoders.autoencoder_tiny.AutoencoderTinyOutput
< 来源 >( latents: Tensor )
AutoencoderTiny 编码方法的输出。