数据类型

这些是最重要的内置数据类型。您也可以定义自己的数据类型。

数据类型在客户端用于防止工作流将错误形式的数据传递给节点 - 有点像强类型。 JavaScript 客户端代码通常不允许将节点输出连接到不同数据类型的输入， 不过下面会提到一些例外情况。

Comfy 数据类型

COMBO

• INPUT_TYPES 中不需要额外参数

• Python 数据类型：定义为 list[str]，输出值为 str

表示下拉菜单组件。 与其他数据类型不同，COMBO 在 INPUT_TYPES 中不是通过 str 指定的，而是通过 list[str] 指定， 对应下拉列表中的选项，默认选中第一个选项。

COMBO 输入通常在运行时动态生成。例如，在内置的 CheckpointLoaderSimple 节点中，您会看到

"ckpt_name": (folder_paths.get_filename_list("checkpoints"), )

or they might just be a fixed list of options,

"play_sound": (["no","yes"], {}),

原始类型和重路由

原始类型和重路由节点仅存在于客户端。它们没有固有的数据类型，但在连接时会采用所连接输入或输出的数据类型（这就是为什么它们不能连接到 * 输入...）

Python 数据类型

INT

• INPUT_TYPES 中的额外参数：

• default 是必需的

• min 和 max 是可选的

• Python 数据类型 int

FLOAT

• INPUT_TYPES 中的额外参数：

• default 是必需的

• min、max、step 是可选的

• Python 数据类型 float

STRING

• INPUT_TYPES 中的额外参数：

• default 是必需的

• Python 数据类型 str

BOOLEAN

• INPUT_TYPES 中的额外参数：

• default 是必需的

• Python 数据类型 bool

张量数据类型

IMAGE

• INPUT_TYPES 中不需要额外参数

• Python 数据类型 torch.Tensor，形状为 \[B,H,W,C]

一批 B 张图像，高度 H，宽度 W，具有 C 个通道（通常 C=3 表示 RGB）。

LATENT

• INPUT_TYPES 中不需要额外参数

• Python 数据类型 dict，包含一个形状为 \[B,C,H,W] 的 torch.Tensor

传入的 dict 包含键 samples，这是一个形状为 \[B,C,H,W] 的 torch.Tensor，表示 一批 B 个潜空间表示，具有 C 个通道（现有 stable diffusion 模型通常 C=4），高度 H，宽度 W。

高度和宽度是对应图像尺寸的 1/8（这是您在 Empty Latent Image 节点中设置的值）。

字典中的其他条目包含潜空间蒙版等内容。

MASK

• INPUT_TYPES 中不需要额外参数

• Python 数据类型 torch.Tensor，形状为 \[H,W] 或 \[B,C,H,W]

AUDIO

• INPUT_TYPES 中不需要额外参数

• Python 数据类型 dict，包含一个形状为 \[B, C, T] 的 torch.Tensor 和采样率。

传入的 dict 包含键 waveform，这是一个形状为 \[B, C, T] 的 torch.Tensor，表示 一批 B 个音频样本，具有 C 个通道（C=2 表示立体声，C=1 表示单声道），以及 T 个时间步（即音频样本的数量）。

dict 还包含另一个键 sample_rate，表示音频的采样率。

自定义采样数据类型

Noise

NOISE 数据类型表示噪声的来源（而不是噪声本身）。它可以由任何提供生成噪声方法的 Python 对象表示， 方法签名为 generate_noise(self, input_latent:Tensor) -> Tensor，以及一个属性 seed:Optional[int]。

当需要添加噪声时，潜空间表示会被传入这个方法，它应该返回一个包含噪声的相同形状的 Tensor。

参见噪声混合示例

Sampler

SAMPLER 数据类型表示一个采样器，它由一个提供 sample 方法的 Python 对象表示。 Stable diffusion 采样超出了本指南的范围；如果您想深入研究这部分代码，请查看 comfy/samplers.py。

Sigmas

SIGMAS 数据类型表示由调度器产生的采样过程中每个步骤前后的 sigma 值。 它表示为一个一维张量，长度为 steps+1，其中每个元素表示对应步骤之前预期的噪声量， 最后一个值表示最终步骤之后的噪声量。

对于 SDXL 模型，一个具有 20 步和去噪值为 1 的 normal 调度器会产生：

tensor([14.6146, 10.7468,  8.0815,  6.2049,  4.8557,
         3.8654,  3.1238,  2.5572,  2.1157,  1.7648,
         1.4806,  1.2458,  1.0481,  0.8784,  0.7297,
         0.5964,  0.4736,  0.3555,  0.2322,  0.0292,  0.0000])

Guider

GUIDER 是去噪过程的泛化，由提示词或任何其他形式的条件"引导"。在 Comfy 中，guider 由 一个提供 __call__(*args, **kwargs) 方法的可调用 Python 对象表示，该方法由采样器调用。

__call__ 方法接收（在 args[0] 中）一批噪声潜空间表示（张量 [B,C,H,W]），并返回噪声的预测（相同形状的张量）。

模型数据类型

稳定扩散模型还有一些更技术性的数据类型。最重要的是 MODEL、CLIP、VAE 和 CONDITIONING。 目前这些内容超出了本指南的范围！

附加参数

以下是输入定义的"额外选项"部分可以使用的官方支持键的列表。