گره CFGNorm یک تکنیک نرمال‌سازی را برای فرآیند راهنمایی بدون طبقه‌بند (CFG) در مدل‌های انتشار اعمال می‌کند. این گره با مقایسه نُرم‌های خروجی‌های شرطی و غیرشرطی، مقیاس پیش‌بینی نویززدایی‌شده را تنظیم کرده و سپس یک ضریب شدت برای کنترل اثر آن اعمال می‌کند. این کار با جلوگیری از مقادیر افراطی در مقیاس‌گذاری راهنمایی، به پایدارسازی فرآیند تولید کمک می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | نوع ورودی | پیش‌فرض | محدوده |
| --- | --- | --- | --- | --- | --- |
| `مدل` | مدل انتشار که نرمال‌سازی CFG روی آن اعمال می‌شود | MODEL | اجباری | - | - |
| `شدت` | شدت اثر نرمال‌سازی اعمال‌شده بر مقیاس‌گذاری CFG را کنترل می‌کند | FLOAT | اجباری | 1.0 | 0.0 - 100.0 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `patched_model` | مدل اصلاح‌شده با نرمال‌سازی CFG اعمال‌شده بر فرآیند نمونه‌برداری آن را برمی‌گرداند | 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/CFGNorm/fa.md)

---
**Source fingerprint (SHA-256):** `af9e5f965500b959ff46f781e9329524fc0a4b94af2ce6d74116fe27b0e9005e`