本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑此节点根据分辨率整理潜在图像列表及其对应的条件数据。它将具有相同高度和宽度的项目分组，为每个独特分辨率创建独立的批次。此过程有助于为高效训练准备数据，使模型能够同时处理多个相同尺寸的项目。
输入
| 参数 | 数据类型 | 是否必填 | 范围 | 描述 |
|---|---|---|---|---|
Latent | LATENT | 是 | 不适用 | 按分辨率分桶的潜在字典列表。 |
条件 | CONDITIONING | 是 | 不适用 | 条件列表的列表（必须与 Latent 长度匹配）。 |
latents 列表中的项目数量必须与 conditioning 列表中的项目数量完全一致。每个潜在字典可以包含一批样本，对应的条件列表必须包含与该批样本数量匹配的条件项目。
输出
| 输出名称 | 数据类型 | 描述 |
|---|---|---|
条件 | LATENT | 按分辨率分桶后的批处理潜在字典列表，每个分辨率桶对应一个。 |
条件 | CONDITIONING | 条件列表的列表，每个分辨率桶对应一个。 |
Source fingerprint (SHA-256):
2858de5f0827812002ca72ba5d7ce56411d1ef97e9a12a65fc4bea193a1a0ec0