Instructions to use recoilme/agat with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Diffusers
How to use recoilme/agat with Diffusers:
pip install -U diffusers transformers accelerate
import torch from diffusers import DiffusionPipeline # switch to "mps" for apple devices pipe = DiffusionPipeline.from_pretrained("recoilme/agat", dtype=torch.bfloat16, device_map="cuda") prompt = "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k" image = pipe(prompt).images[0] - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- Draw Things
- DiffusionBee
Commit History
19 days ago
-
vae: hi-res 4x/4ch, обучение на нём + дефолты тренера
- vae/: веса hi-res (дообучение того же 4x/4ch на кропах 384 -> 512), нормы латента mean ~ -0.02, std ~ 2.73, scaling_factor 1.0; README переписан под этот репозиторий - pipeline.py: prepare берёт VAE из vae/ как есть, --vae-src нужен только для перелива - train.py: --seed по умолчанию случайный (печатается в лог), --ema-decay 0.995, --sample-every/--save-every по 1000, empty_cache после сэмплинга - train_512.sh: батч 16, --steps 399 642 (полная эпоха 5 890 279 картинок = 368 142 шага) - README/MODEL_CARD: нормы и метрики нового VAE, замеры батча 16 (0.49 шаг/с, 13.3 ГБ)5b6e020
21 days ago
-
agat: Agate 003 + 4x/4ch VAE, 71.5k steps
Verified signaturef20dac2