# LatentApplyOperationCFG

گره LatentApplyOperationCFG یک عملیات latent را در مرحله classifier-free guidance (CFG) فرآیند نمونه‌گیری مدل اعمال می‌کند. این گره خروجی‌های conditioning تولیدشده پیش از CFG را رهگیری می‌کند، عملیات متصل‌شده را روی مقادیر latent اعمال می‌کند و مدل را با این رفتار نمونه‌گیری اصلاح‌شده بازمی‌گرداند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدلی که عملیات CFG روی آن اعمال می‌شود | MODEL | بله | - |
| `عملیات` | عملیات latent که باید در فرآیند نمونه‌گیری CFG اعمال شود | LATENT_OPERATION | بله | - |
| `start_percent` | کسری از برنامه نویززدایی که عملیات از آن نقطه شروع به اعمال می‌شود؛ 0 آغاز برنامه است (پیش‌فرض: 0.0) | FLOAT | خیر | 0.0 تا 1.0 (گام 0.001) |
| `end_percent` | کسری از برنامه نویززدایی که عملیات در آن نقطه متوقف می‌شود؛ 1 پایان برنامه است (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 تا 1.0 (گام 0.001) |

توجه: این گره به‌عنوان آزمایشی علامت‌گذاری شده است. این عملیات در فرآیند نمونه‌گیری CFG روی خروجی‌های conditioning مدل اعمال می‌شود. وقتی دو خروجی conditioning وجود دارد، عملیات روی اختلاف بین خروجی اول و دوم اعمال می‌شود و خروجی دوم به نتیجه اضافه می‌شود. وقتی فقط یک خروجی conditioning وجود دارد، عملیات مستقیماً روی آن اعمال می‌شود. این عملیات تنها بین نقاط `start_percent` و `end_percent` در برنامه نویززدایی اجرا می‌شود، بنابراین می‌توان آن را به بخشی از برنامه محدود کرد؛ خارج از این بازه، خروجی‌های شرطی‌سازی بدون تغییر برگردانده می‌شوند.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `model` | مدل اصلاح‌شده‌ای که عملیات CFG روی فرآیند نمونه‌گیری آن اعمال شده است | MODEL |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/LatentApplyOperationCFG/fa.md)

---
**Source fingerprint (SHA-256):** `6a5f59f02eaec38334c63d871e48e89aa983a5ac2ca10801161cdc9e13cacdf2`
