AutoencoderKLCogVideoX
CogVideoX 中使用的具有 KL 损失的 3D 变分自动编码器 (VAE) 模型在 CogVideoX 中被提出，并在 CogVideoX: 带有专家 Transformer 的文本到视频扩散模型 中被清华大学和 ZhipuAI 介绍。
该模型可以使用以下代码片段加载。
from diffusers import AutoencoderKLCogVideoX
vae = AutoencoderKLCogVideoX.from_pretrained("THUDM/CogVideoX-2b", subfolder="vae", torch_dtype=torch.float16).to("cuda")AutoencoderKLCogVideoX
class diffusers.AutoencoderKLCogVideoX
< 源代码 >( in_channels: int = 3 out_channels: int = 3 down_block_types: Tuple = ('CogVideoXDownBlock3D', 'CogVideoXDownBlock3D', 'CogVideoXDownBlock3D', 'CogVideoXDownBlock3D') up_block_types: Tuple = ('CogVideoXUpBlock3D', 'CogVideoXUpBlock3D', 'CogVideoXUpBlock3D', 'CogVideoXUpBlock3D') block_out_channels: Tuple = (128, 256, 256, 512) latent_channels: int = 16 layers_per_block: int = 3 act_fn: str = 'silu' norm_eps: float = 1e-06 norm_num_groups: int = 32 temporal_compression_ratio: float = 4 sample_height: int = 480 sample_width: int = 720 scaling_factor: float = 1.15258426 shift_factor: Optional = None latents_mean: Optional = None latents_std: Optional = None force_upcast: float = True use_quant_conv: bool = False use_post_quant_conv: bool = False )
参数
- in_channels (int, 可选, 默认值 3) — 输入图像的通道数。
- out_channels (int, 可选, 默认值 3) — 输出的通道数。
- down_block_types (
Tuple[str], 可选, 默认值("DownEncoderBlock2D",)) — 下采样块类型的元组。 - up_block_types (
Tuple[str], 可选, 默认值("UpDecoderBlock2D",)) — 上采样块类型的元组。 - block_out_channels (
Tuple[int], 可选, 默认值(64,)) — 块输出通道的元组。 - act_fn (
str, 可选, 默认值"silu") — 要使用的激活函数。 - sample_size (
int, 可选, 默认值32) — 样本输入大小。 - scaling_factor (
float, 可选, 默认值1.15258426) — 使用训练集的第一批计算的训练好的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为具有单位方差。 在传递给扩散模型之前，使用公式z = z * scaling_factor对潜在空间进行缩放。 解码时，使用公式：z = 1 / scaling_factor * z将潜在空间缩放到原始比例。 有关更多详细信息，请参阅 具有潜在扩散模型的高分辨率图像合成 论文的第 4.3.2 节和 D.1 节。 - force_upcast (
bool, 可选, 默认值True) — 如果启用，它将强制 VAE 在高分辨率图像管道（例如 SD-XL）中以 float32 运行。VAE 可以微调/训练到较低的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- 参见： https://huggingface.co/madebyollin/sdxl-vae-fp16-fix
具有 KL 损失的 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。在 CogVideoX 中使用。
此模型继承自 ModelMixin。查看超类文档以了解为所有模型实现的通用方法（例如下载或保存）。
禁用切片 VAE 解码。如果之前启用了 enable_slicing，此方法将返回一步计算解码。
禁用平铺 VAE 解码。如果之前启用了 enable_tiling，此方法将返回一步计算解码。
启用切片 VAE 解码。启用此选项后，VAE 将将输入张量分成切片，以便分步计算解码。这有助于节省一些内存并允许更大的批次大小。
enable_tiling
< source >( tile_sample_min_height: Optional = None tile_sample_min_width: Optional = None tile_overlap_factor_height: Optional = None tile_overlap_factor_width: Optional = None )
参数
- tile_sample_min_height (
int, 可选) — 样本在高度方向上被分成平铺所需的最小高度。 - tile_sample_min_width (
int, 可选) — 样本在宽度方向上被分成平铺所需的最小宽度。 - tile_overlap_factor_width (
int, 可选) — 两个相邻水平瓦片之间的最小重叠量。这可以确保在宽度维度上不会出现瓦片伪影。必须介于 0 到 1 之间。设置更高的值可能会导致处理更多的瓦片，从而导致解码过程变慢。
启用分块 VAE 解码。当启用此选项时，VAE 将把输入张量分成瓦片，以分步计算解码和编码。这对节省大量内存并允许处理更大的图像很有用。
tiled_decode
< 源代码 >( z: Tensor return_dict: bool = True ) → ~models.vae.DecoderOutput 或 tuple
使用分块解码器解码一批图像。
tiled_encode
< 源代码 >( x: Tensor ) → torch.Tensor
使用分块编码器编码一批图像。
当启用此选项时，VAE 将把输入张量分成瓦片，以分步计算编码。这有助于保持内存使用量与图像大小无关。分块编码的最终结果与非分块编码不同，因为每个瓦片使用不同的编码器。为了避免分块伪影，瓦片会重叠并混合在一起以形成平滑的输出。您仍然可能会看到瓦片大小的变化，但它们应该不那么明显。
AutoencoderKLOutput
class diffusers.models.modeling_outputs.AutoencoderKLOutput
< 源代码 >( latent_dist: DiagonalGaussianDistribution )
AutoencoderKL 编码方法的输出。
DecoderOutput
class diffusers.models.autoencoders.vae.DecoderOutput
< source >( sample: Tensor commit_loss: Optional = None )
解码方法的输出。