Hugging Face 的 LOGO

Diffusers 文档

AutoencoderKLAllegro

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

AutoencoderKLAllegro

在 Allegro 中使用的带有 KL 损失的 3D 变分自编码器 (VAE) 模型由 RhymesAI 在 Allegro: Open the Black Box of Commercial-Level Video Generation Model 论文中引入。

该模型可以通过以下代码片段加载。

from diffusers import AutoencoderKLAllegro

vae = AutoencoderKLAllegro.from_pretrained("rhymes-ai/Allegro", subfolder="vae", torch_dtype=torch.float32).to("cuda")

AutoencoderKLAllegro

class diffusers.AutoencoderKLAllegro

< >

( in_channels: int = 3 out_channels: int = 3 down_block_types: typing.Tuple[str, ...] = ('AllegroDownBlock3D', 'AllegroDownBlock3D', 'AllegroDownBlock3D', 'AllegroDownBlock3D') up_block_types: typing.Tuple[str, ...] = ('AllegroUpBlock3D', 'AllegroUpBlock3D', 'AllegroUpBlock3D', 'AllegroUpBlock3D') block_out_channels: typing.Tuple[int, ...] = (128, 256, 512, 512) temporal_downsample_blocks: typing.Tuple[bool, ...] = (True, True, False, False) temporal_upsample_blocks: typing.Tuple[bool, ...] = (False, True, True, False) latent_channels: int = 4 layers_per_block: int = 2 act_fn: str = 'silu' norm_num_groups: int = 32 temporal_compression_ratio: float = 4 sample_size: int = 320 scaling_factor: float = 0.13 force_upcast: bool = True )

参数

  • in_channels (int, 默认为 3) — 输入图像中的通道数。
  • out_channels (int, 默认为 3) — 输出通道数。
  • down_block_types (Tuple[str, ...], 默认为 ("AllegroDownBlock3D", "AllegroDownBlock3D", "AllegroDownBlock3D", "AllegroDownBlock3D")) — 表示要使用的下采样块类型的字符串元组。
  • up_block_types (Tuple[str, ...], 默认为 ("AllegroUpBlock3D", "AllegroUpBlock3D", "AllegroUpBlock3D", "AllegroUpBlock3D")) — 表示要使用的上采样块类型的字符串元组。
  • block_out_channels (Tuple[int, ...], 默认为 (128, 256, 512, 512)) — 每个块中的输出通道数元组。
  • temporal_downsample_blocks (Tuple[bool, ...], 默认为 (True, True, False, False)) — 表示哪些块启用时间下采样的布尔值元组。
  • latent_channels (int, 默认为 4) — 潜在空间中的通道数。
  • layers_per_block (int, 默认为 2) — 每个下/上采样块中 resnet 或 attention 或时间卷积层的数量。
  • act_fn (str, 默认为 "silu") — 要使用的激活函数。
  • norm_num_groups (int, 默认为 32) — 归一化层中使用的组数。
  • temporal_compression_ratio (int, 默认为 4) — 样本时间维度压缩比率。
  • sample_size (int, 默认为 320) — 默认潜在空间大小。
  • scaling_factor (float, 默认为 0.13235) — 使用训练集的第一批计算的训练潜在空间的逐分量标准差。这用于在训练扩散模型时将潜在空间缩放到单位方差。潜在空间在传递给扩散模型之前通过公式 z = z * scaling_factor 进行缩放。解码时，潜在空间通过公式 z = 1 / scaling_factor * z 缩放回原始比例。有关更多详细信息，请参阅 高分辨率图像合成与潜在扩散模型 论文的 4.3.2 节和 D.1 节。
  • force_upcast (bool, 默认为 True) — 如果启用，它将强制 VAE 以 float32 运行，以实现高图像分辨率流水线，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：https://huggingface.co/madebyollin/sdxl-vae-fp16-fix

一个带有 KL 损失的 VAE 模型，用于将视频编码为潜在空间并将潜在表示解码为视频。在 Allegro 中使用。

此模型继承自 ModelMixin。有关所有模型实现的通用方法（如下载或保存），请参阅超类文档。

包装器

< >

( *args **kwargs )

包装器

< >

( *args **kwargs )

disable_slicing

< >

( )

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。

disable_tiling

< >

( )

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。

enable_slicing

< >

( )

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。

enable_tiling

< >

( )

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。

forward

< >

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

参数

  • sample (torch.Tensor) — 输入样本。
  • sample_posterior (bool, 可选, 默认为 False) — 是否从后验采样。
  • 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) — PyTorch 随机数生成器。

AutoencoderKLOutput

class diffusers.models.modeling_outputs.AutoencoderKLOutput

< >

( latent_dist: DiagonalGaussianDistribution )

参数

  • latent_dist (DiagonalGaussianDistribution) — Encoder 的编码输出，表示为 DiagonalGaussianDistribution 的均值和对数方差。DiagonalGaussianDistribution 允许从分布中采样潜在变量。

AutoencoderKL 编码方法的输出。

DecoderOutput

class diffusers.models.autoencoders.vae.DecoderOutput

< >

( sample: Tensor commit_loss: typing.Optional[torch.FloatTensor] = None )

参数

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

解码方法的输出。

< > 在 GitHub 上更新

←AutoencoderKL AutoencoderKLCogVideoX→