Diffusers documentation
AutoencoderKLAllegro
AutoencoderKLAllegro
Allegroで使用されたKL損失付き3次元変分オートエンコーダ（VAE）モデルは、RhymesAIによるAllegro: Open the Black Box of Commercial-Level Video Generation Modelで紹介されました。
モデルは、以下のコードスニペットで読み込むことができます。
from diffusers import AutoencoderKLAllegro
vae = AutoencoderKLAllegro.from_pretrained("rhymes-ai/Allegro", subfolder="vae", dtype=torch.float32).to("cuda") # or "mps", "xpu", "cpu"AutoencoderKLAllegro
class diffusers.AutoencoderKLAllegro
< source >( in_channels: int = 3out_channels: int = 3down_block_types: tuple[str, ...] = ('AllegroDownBlock3D', 'AllegroDownBlock3D', 'AllegroDownBlock3D', 'AllegroDownBlock3D')up_block_types: tuple[str, ...] = ('AllegroUpBlock3D', 'AllegroUpBlock3D', 'AllegroUpBlock3D', 'AllegroUpBlock3D')block_out_channels: tuple[int, ...] = (128, 256, 512, 512)temporal_downsample_blocks: tuple[bool, ...] = (True, True, False, False)temporal_upsample_blocks: tuple[bool, ...] = (False, True, True, False)latent_channels: int = 4layers_per_block: int = 2act_fn: str = 'silu'norm_num_groups: int = 32temporal_compression_ratio: float = 4sample_size: int = 320scaling_factor: float = 0.13force_upcast: bool = True )
パラメータ
- in_channels (int, デフォルトは
3) — 入力画像のチャネル数。 - out_channels (int, デフォルトは
3) — 出力のチャネル数。 - down_block_types (
tuple[str, ...]、デフォルトは("AllegroDownBlock3D", "AllegroDownBlock3D", "AllegroDownBlock3D", "AllegroDownBlock3D")) — 使用するダウンブロックの種類を示す文字列のタプルです。 - up_block_types (
tuple[str, ...]、デフォルトは("AllegroUpBlock3D", "AllegroUpBlock3D", "AllegroUpBlock3D", "AllegroUpBlock3D")) — 使用するアップブロックの種類を示す文字列のタプルです。 - block_out_channels (
tuple[int, ...]、デフォルトは(128, 256, 512, 512)) — 各ブロックの出力チャネル数を表す整数のタプルです。 - temporal_downsample_blocks (
tuple[bool, ...]、デフォルトは(True, True, False, False)) — 時間方向のダウンサンプリングを有効にするブロックを示すブール値のタプルです。 - latent_channels (
int、デフォルトは4) — 潜在変数のチャネル数。 - layers_per_block (
int、デフォルトは2) — ダウンブロックおよびアップブロックあたりの resnet、attention、temporal convolution の層数。 - act_fn (
str、デフォルトは"silu") — 使用する活性化関数。 - norm_num_groups (
int、デフォルトは32) — 正規化層で使用するグループ数。 - temporal_compression_ratio (
int、デフォルトは4) — サンプルの時間次元が圧縮される比率。 - sample_size (
int、デフォルトは320) — デフォルトの潜在サイズです。 - scaling_factor (
float、デフォルト値は0.13235) — 学習済み潜在空間の要素ごとの標準偏差です。これは、学習セットの最初のバッチを使用して計算されます。拡散モデルの学習時に、潜在空間を分散 1 にスケーリングするために使用されます。潜在変数は、拡散モデルに渡される前にz = z * scaling_factorという式でスケーリングされます。デコード時には、z = 1 / scaling_factor * zという式で元のスケールに戻されます。詳細については、High-Resolution Image Synthesis with Latent Diffusion Models 論文のセクション 4.3.2 と D.1 を参照してください。 - force_upcast (
bool、デフォルトはTrue) — 有効にすると、SD-XL などの高解像度画像パイプラインにおいて、VAE を float32 で実行するよう強制します。VAE を低精度の範囲でファインチューニング / 訓練し、精度の低下を抑えることが可能な場合、force_upcastをFalseに設定できます。参考: https://huggingface.co/madebyollin/sdxl-vae-fp16-fix
KL損失を用いて動画を潜在変数にエンコードし、潜在表現を動画にデコードするためのVAEモデル。Allegroで使用されます。
このモデルは ModelMixin を継承しています。すべてのモデルに実装されている汎用的なメソッド（ダウンロードや保存など）については、スーパークラスのドキュメントを参照してください。
decode
< source >( z: Tensorreturn_dict: bool = True ) → ~models.vae.DecoderOutput or tuple
バッチの動画をデコードします。
encode
< source >( x: Tensorreturn_dict: bool = True )
バッチの動画を潜在変数にエンコードします。
forward
< source >( sample: Tensorsample_posterior: bool = Falsereturn_dict: bool = Truegenerator: typing.Optional[torch.Generator] = None ) → ~models.vae.DecoderOutput or tuple
パラメータ
- sample (
torch.Tensor) — 入力サンプル。 - sample_posterior (
bool、省略可能、デフォルトはFalse) — 後方分布からサンプリングするかどうか。 - return_dict (
bool、省略可、デフォルトはTrue) —DecoderOutputを返すか、プレーンなタプルを返すかを指定します。 - generator (
torch.Generator、省略可) — PyTorchの乱数生成器。
戻り値
~models.vae.DecoderOutput または tuple
return_dict が True の場合、~models.vae.DecoderOutput が返され、それ以外の場合は通常の tuple が返されます。
AutoencoderKLOutput
class diffusers.models.modeling_outputs.AutoencoderKLOutput
< source >( latent_dist: DiagonalGaussianDistribution )
AutoencoderKLのエンコードメソッドの出力。
DecoderOutput
class diffusers.models.autoencoders.vae.DecoderOutput
< source >( sample: Tensorcommit_loss: typing.Optional[torch.FloatTensor] = None )
デコードメソッドの出力。