 转置策略详解)
【免费下载链接】GFPGANv1.4-fp32项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/GFPGANv1.4-fp32点击查看免费下载GFPGANv1.4-fp32 是把经典盲人脸修复模型 GFPGAN v1.4 移植到 MLX 生态的 Apple Silicon 权重文件87,143,276 个 fp32 参数、NHWC 张量布局、safetensors 格式。本文完整解析它的 (O,kH,kW,I) 卷积核转置策略、噪声缓冲与确定性推理模式并给出加载使用方法。 项目速览这个 MLX 人脸修复模型是什么GFPGAN v1.4 是一款知名的盲人脸修复blind face restoration模型GFPGANv1.4-fp32 把它转换成了 MLX 原生格式专为 Apple Silicon 优化。关键规格一览项目规格网络结构GFPGANv1Clean退化去除 U-Net StyleGAN2 (clean) 解码器带通道拆分 SFT输入要求512×512 对齐人脸裁剪RGB 归一化到[-1, 1]参数量87,143,276params_ema精度fp32文件格式safetensorsNHWC 布局许可证Apache-2.0核心权重文件为 model.safetensors通过 Git LFS 分发由 .gitattributes 声明实际大小约 332.6 MB348,604,056 字节——正好对应 87,143,276 个 fp32 参数约 348,573,104 字节加上 safetensors 头部元数据数字完全自洽。 NHWC 张量布局详解卷积核为什么是 (O,kH,kW,I)这是理解整个权重的关键。PyTorch 原版 GFPGAN 的卷积核形状是O, I, kH, kW输入通道在第二维MLX 生态统一采用 NHWC对应地卷积核变为(O, kH, kW, I)即输入通道 I 被放到最后一维与特征图的通道维度对齐。该文件对所有张量的布局约定如下张量类型形状普通卷积核(O, kH, kW, I)5 维调制卷积核StyleGAN2 调制层(1, O, kH, kW, I)其余所有 4 维张量bias、存储噪声缓冲、constant 输入等统一执行(0, 2, 3, 1)转置三条规则值得记住通道维度始终在后无论卷积核还是其它 4 维张量都通过(0, 2, 3, 1)这类转置换算把通道维移到末尾调制卷积多一个前导维StyleGAN2 的 modulated convolution 核是 5 维(1, O, kH, kW, I)首维固定为 1键名与上游 state dict 完全一致所有键名保持原版命名方便与 PyTorch 权重逐项对照。 噪声缓冲与确定性人脸修复模式StyleGAN2 解码器会向每层注入随机噪声。本模型把 checkpoint 中保存的噪声缓冲stored noise buffers直接打包进文件推理时配合randomize_noiseFalse进入确定性对拍模式同一张输入人脸永远得到同一个修复结果。这对验证移植正确性、复现修复效果非常重要——这也是为什么 model.safetensors 里除了权重还包含这些噪声张量。 为什么坚持 fp32fp16 精度陷阱实测README.md 中给出了明确的精度结论这也是很多新手踩坑的地方fp16 实测不合格端到端对拍崩坏余弦相似度 ≈ −0.3PSNR 仅 8 dB——输出基本是噪声bf16 可以干净通过48 dB 对拍但仓库仍坚持按 fp32 发布确保修复效果与原版一致。一句话不要用 fp16 加载这份权重fp32 是唯一稳妥选择确有显存/内存压力时再考虑 bf16。 如何在 Apple Silicon 上加载使用模型由 Swift 工具链消费mlx-gfpgan-swift仓库提供GFPGANMLXCore.GFPGANv1Clean网络定义与MLXGFPGAN.GFPGANRestorePackage封装人脸检测、对齐、修复、贴回全流程底层走 MLXEngine 的imageRestore检测与对齐基于 Vision 框架。获取权重只需克隆本仓库Git LFS 会自动拉取完整文件git clone https://gitcode.com/hf_mirrors/mlx-community/GFPGANv1.4-fp32✅ 移植正确性如何验证转换由oracle/convert.py位于 mlx-gfpgan-swift 仓库完成与 PyTorch 参考实现的 fp32 对拍结果为键契约285/285张量全部对齐各阶段中间激活采样点94/94个 tap 相对误差 ≤ 5e-4CPU 流。这基本证明了 NHWC 转置策略的每一步——包括 5 维调制核和(0, 2, 3, 1)规则——都执行正确。 文件结构与许可说明仓库非常精简只有三个文件README.md布局约定、精度结论与消费方式说明model.safetensorsNHWC fp32 权重Git LFS 大文件.gitattributes声明.safetensors等格式走 LFS。许可为 Apache-2.0。需要留意上游仓库的第三方免责条款NVIDIA StyleGAN2、DFDNet不适用于本文件——clean 架构不含 NVIDIA 派生代码v1.4 解码器先验由 BasicSR 从零训练训练数据 FFHQ 的数据集聚集授权问题CC-BY-NC-SA则与所有人像模型一样使用前请自行评估合规风险。赞分享【免费下载链接】GFPGANv1.4-fp32项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/GFPGANv1.4-fp32点击查看免费下载相关推荐TVM TIRx 张量布局Layout详解从 S/R/O 规格到 TMEM 与 SMEM 布局实战TVM TIRx 张量布局Layout详解从 S/R/O 规格到 TMEM 与 SMEM 布局实战 导读 TIRx 是 TVM 中面向现代加速器尤其是模型编译深度学习推理引擎PyTorch 转 MLX 实战指南HVI-CIDNet 低照度图像增强模型 NHWC 布局重排与 191 张量映射全记录PyTorch 转 MLX 实战指南HVI CIDNet 低照度图像增强模型 NHWC 布局重排与 191 张量映射全记录 HVI CIDNet GeneraNHWC 布局与 274 个卷积权重重排Restormer-motion-deblurring-fp32 的 MLX 权重转换细节一次讲透NHWC 布局与 274 个卷积权重重排Restormer motion deblurring fp32 的 MLX 权重转换细节一次讲透 本文以 R上一篇NOOANVIDIA对象导向智能体初探为什么一个带省略号...的Python方法就是完整AI Agent下一篇让AI代理反过来操控你的IDEMonoCode /operator模式深度解析与安全边界创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/17 6:42:40 · 阅读 1.2k GFPGANv1.4-fp32 张量布局完全参考：MLX NHWC 格式与 (O,kH,kW,I) 转置策略详解
【免费下载链接】GFPGANv1.4-fp32项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/GFPGANv1.4-fp32点击查看免费下载GFPGANv1.4-fp32 是把经典盲人脸修复模型 GFPGAN v1.4 移植到 MLX 生态的 Apple Silicon 权重文件87,143,276 个 fp32 参数、NHWC 张量布局、safetensors 格式。本文完整解析它的 (O,kH,kW,I) 卷积核转置策略、噪声缓冲与确定性推理模式并给出加载使用方法。 项目速览这个 MLX 人脸修复模型是什么GFPGAN v1.4 是一款知名的盲人脸修复blind face restoration模型GFPGANv1.4-fp32 把它转换成了 MLX 原生格式专为 Apple Silicon 优化。关键规格一览项目规格网络结构GFPGANv1Clean退化去除 U-Net StyleGAN2 (clean) 解码器带通道拆分 SFT输入要求512×512 对齐人脸裁剪RGB 归一化到[-1, 1]参数量87,143,276params_ema精度fp32文件格式safetensorsNHWC 布局许可证Apache-2.0核心权重文件为 model.safetensors通过 Git LFS 分发由 .gitattributes 声明实际大小约 332.6 MB348,604,056 字节——正好对应 87,143,276 个 fp32 参数约 348,573,104 字节加上 safetensors 头部元数据数字完全自洽。 NHWC 张量布局详解卷积核为什么是 (O,kH,kW,I)这是理解整个权重的关键。PyTorch 原版 GFPGAN 的卷积核形状是O, I, kH, kW输入通道在第二维MLX 生态统一采用 NHWC对应地卷积核变为(O, kH, kW, I)即输入通道 I 被放到最后一维与特征图的通道维度对齐。该文件对所有张量的布局约定如下张量类型形状普通卷积核(O, kH, kW, I)5 维调制卷积核StyleGAN2 调制层(1, O, kH, kW, I)其余所有 4 维张量bias、存储噪声缓冲、constant 输入等统一执行(0, 2, 3, 1)转置三条规则值得记住通道维度始终在后无论卷积核还是其它 4 维张量都通过(0, 2, 3, 1)这类转置换算把通道维移到末尾调制卷积多一个前导维StyleGAN2 的 modulated convolution 核是 5 维(1, O, kH, kW, I)首维固定为 1键名与上游 state dict 完全一致所有键名保持原版命名方便与 PyTorch 权重逐项对照。 噪声缓冲与确定性人脸修复模式StyleGAN2 解码器会向每层注入随机噪声。本模型把 checkpoint 中保存的噪声缓冲stored noise buffers直接打包进文件推理时配合randomize_noiseFalse进入确定性对拍模式同一张输入人脸永远得到同一个修复结果。这对验证移植正确性、复现修复效果非常重要——这也是为什么 model.safetensors 里除了权重还包含这些噪声张量。 为什么坚持 fp32fp16 精度陷阱实测README.md 中给出了明确的精度结论这也是很多新手踩坑的地方fp16 实测不合格端到端对拍崩坏余弦相似度 ≈ −0.3PSNR 仅 8 dB——输出基本是噪声bf16 可以干净通过48 dB 对拍但仓库仍坚持按 fp32 发布确保修复效果与原版一致。一句话不要用 fp16 加载这份权重fp32 是唯一稳妥选择确有显存/内存压力时再考虑 bf16。 如何在 Apple Silicon 上加载使用模型由 Swift 工具链消费mlx-gfpgan-swift仓库提供GFPGANMLXCore.GFPGANv1Clean网络定义与MLXGFPGAN.GFPGANRestorePackage封装人脸检测、对齐、修复、贴回全流程底层走 MLXEngine 的imageRestore检测与对齐基于 Vision 框架。获取权重只需克隆本仓库Git LFS 会自动拉取完整文件git clone https://gitcode.com/hf_mirrors/mlx-community/GFPGANv1.4-fp32✅ 移植正确性如何验证转换由oracle/convert.py位于 mlx-gfpgan-swift 仓库完成与 PyTorch 参考实现的 fp32 对拍结果为键契约285/285张量全部对齐各阶段中间激活采样点94/94个 tap 相对误差 ≤ 5e-4CPU 流。这基本证明了 NHWC 转置策略的每一步——包括 5 维调制核和(0, 2, 3, 1)规则——都执行正确。 文件结构与许可说明仓库非常精简只有三个文件README.md布局约定、精度结论与消费方式说明model.safetensorsNHWC fp32 权重Git LFS 大文件.gitattributes声明.safetensors等格式走 LFS。许可为 Apache-2.0。需要留意上游仓库的第三方免责条款NVIDIA StyleGAN2、DFDNet不适用于本文件——clean 架构不含 NVIDIA 派生代码v1.4 解码器先验由 BasicSR 从零训练训练数据 FFHQ 的数据集聚集授权问题CC-BY-NC-SA则与所有人像模型一样使用前请自行评估合规风险。赞分享【免费下载链接】GFPGANv1.4-fp32项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/GFPGANv1.4-fp32点击查看免费下载相关推荐TVM TIRx 张量布局Layout详解从 S/R/O 规格到 TMEM 与 SMEM 布局实战TVM TIRx 张量布局Layout详解从 S/R/O 规格到 TMEM 与 SMEM 布局实战 导读 TIRx 是 TVM 中面向现代加速器尤其是模型编译深度学习推理引擎PyTorch 转 MLX 实战指南HVI-CIDNet 低照度图像增强模型 NHWC 布局重排与 191 张量映射全记录PyTorch 转 MLX 实战指南HVI CIDNet 低照度图像增强模型 NHWC 布局重排与 191 张量映射全记录 HVI CIDNet GeneraNHWC 布局与 274 个卷积权重重排Restormer-motion-deblurring-fp32 的 MLX 权重转换细节一次讲透NHWC 布局与 274 个卷积权重重排Restormer motion deblurring fp32 的 MLX 权重转换细节一次讲透 本文以 R上一篇NOOANVIDIA对象导向智能体初探为什么一个带省略号...的Python方法就是完整AI Agent下一篇让AI代理反过来操控你的IDEMonoCode /operator模式深度解析与安全边界创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考