Diffusers

加入 Hugging Face 社区

并获得增强的文档体验

在模型、数据集和 Spaces 上进行协作

通过加速推理获得更快的示例

切换文档主题

开始使用

DiT

使用 Transformer 的可扩展扩散模型 (DiT) 由 William Peebles 和 Saining Xie 开发。

论文摘要如下：

我们探索了一种基于 Transformer 架构的新型扩散模型。我们训练图像的潜在扩散模型，将常用的 U-Net 主干替换为在潜在补丁上运行的 Transformer。我们通过 Gflops 衡量的正向传播复杂性来分析 Diffusion Transformers (DiTs) 的可扩展性。我们发现，Gflops 越高的 DiT（通过增加 Transformer 深度/宽度或增加输入 token 数量）FID 越低。除了具有良好的可扩展性，我们最大的 DiT-XL/2 模型在类别条件 ImageNet 512x512 和 256x256 基准测试中超越了所有先前的扩散模型，在后者上实现了 2.27 的最先进 FID。

原始代码库可在 facebookresearch/dit 找到。

请务必查阅调度器指南，了解如何在调度器速度和质量之间进行权衡，并查看跨管道重用组件部分，了解如何有效地将相同组件加载到多个管道中。

DiTPipeline

class diffusers.DiTPipeline

< 源 >

( transformer: DiTTransformer2DModel vae: AutoencoderKL scheduler: KarrasDiffusionSchedulers id2label: typing.Optional[typing.Dict[int, str]] = None )

参数

transformer (DiTTransformer2DModel) — 一个类别条件式 DiTTransformer2DModel，用于对编码后的图像潜在特征进行去噪。
vae (AutoencoderKL) — 变分自编码器 (VAE) 模型，用于对图像进行编码和解码，以实现潜在表示。
scheduler (DDIMScheduler) — 与 transformer 结合使用的调度器，用于对编码后的图像潜在特征进行去噪。

基于 Transformer 主干而不是 UNet 的图像生成管道。

此模型继承自 DiffusionPipeline。请查看超类文档，了解所有管道实现的通用方法（下载、保存、在特定设备上运行等）。

call

< 源 >

( class_labels: typing.List[int] guidance_scale: float = 4.0 generator: typing.Union[torch._C.Generator, typing.List[torch._C.Generator], NoneType] = None num_inference_steps: int = 50 output_type: typing.Optional[str] = 'pil' return_dict: bool = True ) → ImagePipelineOutput 或 tuple

参数

class_labels (List[int]) — 要生成的图像的 ImageNet 类别标签列表。
guidance_scale (float, 可选, 默认为 4.0) — 较高的引导比例值鼓励模型生成与文本 prompt 紧密相关的图像，但会牺牲图像质量。当 guidance_scale > 1 时启用引导比例。
generator (torch.Generator, 可选) — 用于使生成具有确定性的 torch.Generator。
num_inference_steps (int, 可选, 默认为 250) — 去噪步数。更多去噪步数通常会带来更高质量的图像，但会牺牲较慢的推理速度。
output_type (str, 可选, 默认为 "pil") — 生成图像的输出格式。选择 PIL.Image 或 np.array。
return_dict (bool, 可选, 默认为 True) — 是否返回 ImagePipelineOutput 而不是普通元组。

ImagePipelineOutput 或 tuple

如果 return_dict 为 True，则返回 ImagePipelineOutput，否则返回一个 tuple，其中第一个元素是包含生成图像的列表。

用于生成的管道的调用函数。

示例

>>> from diffusers import DiTPipeline, DPMSolverMultistepScheduler
>>> import torch

>>> pipe = DiTPipeline.from_pretrained("facebook/DiT-XL-2-256", torch_dtype=torch.float16)
>>> pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
>>> pipe = pipe.to("cuda")

>>> # pick words from Imagenet class labels
>>> pipe.labels  # to print all available words

>>> # pick words that exist in ImageNet
>>> words = ["white shark", "umbrella"]

>>> class_ids = pipe.get_label_ids(words)

>>> generator = torch.manual_seed(33)
>>> output = pipe(class_labels=class_ids, num_inference_steps=25, generator=generator)

>>> image = output.images[0]  # label 'white shark'