赞
踩
Clip Text为文本编码器。以77 token为输入,输出为77 token 嵌入向量,每个向量有768维度。
在潜在空间中逐步处理扩散信息。以文本嵌入向量和由噪声组成的起始多维数组为输入,输出处理的信息数组。
通常来说一个U-Net包含两个输入:
U-Net模型的输出:
scheduler的目的是确定在扩散过程中的给定的步骤中向latent 添加多少噪声。随着step的增大,添加噪声的权重在逐渐减小。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。