# Funciones de activación

Funciones de activación personalizadas para admitir varios modelos en 🤗 Diffusers.

## GELU[[diffusers.models.activations.GELU]]

#### diffusers.models.activations.GELU[[diffusers.models.activations.GELU]]

```python
diffusers.models.activations.GELU(dim_in: int, dim_out: int, approximate: str = 'none', bias: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L65)

**Parámetros:**

dim_in (`int`) : El número de canales en la entrada.

dim_out (`int`) : El número de canales en la salida.

approximate (`str`, *opcional*, por defecto `"none"`) : Si es `"tanh"`, usa la aproximación tanh.

bias (`bool`, por defecto True) : Si se debe usar un sesgo en la capa lineal.

Función de activación GELU con soporte para aproximación tanh mediante `approximate="tanh"`.

## GEGLU[[diffusers.models.activations.GEGLU]]

#### diffusers.models.activations.GEGLU[[diffusers.models.activations.GEGLU]]

```python
diffusers.models.activations.GEGLU(dim_in: int, dim_out: int, bias: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L93)

**Parámetros:**

dim_in (`int`) : El número de canales en la entrada.

dim_out (`int`) : El número de canales en la salida.

bias (`bool`, por defecto True) : Si se debe usar un sesgo en la capa lineal.

Una [variante](https://huggingface.co/papers/2002.05202) de la función de activación de unidad lineal con compuerta.

## ApproximateGELU[[diffusers.models.activations.ApproximateGELU]]

#### diffusers.models.activations.ApproximateGELU[[diffusers.models.activations.ApproximateGELU]]

```python
diffusers.models.activations.ApproximateGELU(dim_in: int, dim_out: int, bias: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L149)

**Parámetros:**

dim_in (`int`) : El número de canales en la entrada.

dim_out (`int`) : El número de canales en la salida.

bias (`bool`, por defecto True) : Si se debe usar un sesgo en la capa lineal.

La forma aproximada de la unidad lineal de error gaussiano (GELU). Para más detalles, consulte la sección 2 de este [artículo](https://huggingface.co/papers/1606.08415).

## SwiGLU[[diffusers.models.activations.SwiGLU]]

#### diffusers.models.activations.SwiGLU[[diffusers.models.activations.SwiGLU]]

```python
diffusers.models.activations.SwiGLU(dim_in: int, dim_out: int, bias: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L126)

**Parámetros:**

dim_in (`int`) : El número de canales en la entrada.

dim_out (`int`) : El número de canales en la salida.

bias (`bool`, por defecto True) : Si se debe usar un sesgo en la capa lineal.

Una [variante](https://huggingface.co/papers/2002.05202) de la función de activación de unidad lineal con puerta. Es similar a `GEGLU` pero usa SiLU / Swish en lugar de GeLU.

## FP32SiLU[[diffusers.models.activations.FP32SiLU]]

#### diffusers.models.activations.FP32SiLU[[diffusers.models.activations.FP32SiLU]]

```python
diffusers.models.activations.FP32SiLU()
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L53)

Función de activación SiLU con la entrada convertida a torch.float32.

## LinearActivation[[diffusers.models.activations.LinearActivation]]

#### diffusers.models.activations.LinearActivation[[diffusers.models.activations.LinearActivation]]

```python
diffusers.models.activations.LinearActivation(dim_in: int, dim_out: int, bias: bool = True, activation: str = 'silu')
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/activations.py#L169)