DDIMInverseScheduler
DDIMInverseScheduler 是来自 去噪扩散隐式模型 (DDIM) 的反向调度器，由 Jiaming Song、Chenlin Meng 和 Stefano Ermon 提出。该实现主要基于来自 使用引导扩散模型编辑真实图像的空文本反转 的 DDIM 反转定义。
DDIMInverseScheduler
class diffusers.DDIMInverseScheduler
< 源代码 >( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' trained_betas: Union = None clip_sample: bool = True set_alpha_to_one: bool = True steps_offset: int = 0 prediction_type: str = 'epsilon' clip_sample_range: float = 1.0 timestep_spacing: str = 'leading' rescale_betas_zero_snr: bool = False **kwargs )
参数
- num_train_timesteps (
int, 默认为 1000) — 训练模型的扩散步数。 - beta_start (
float, 默认为 0.0001) — 推理的起始beta值。 - beta_end (
float, 默认为 0.02) — 最终的beta值。 - beta_schedule (
str, 默认为"linear") — beta 调度，将 beta 范围映射到一系列用于模型步进的 beta。选择linear,scaled_linear, 或squaredcos_cap_v2. - trained_betas (
np.ndarray, 可选) — 直接将 beta 数组传递给构造函数以绕过beta_start和beta_end。 - clip_sample (
bool, 默认为True) — 剪裁预测样本以确保数值稳定性。 - clip_sample_range (
float, 默认为 1.0) — 样本剪裁的最大幅度。仅在clip_sample=True时有效。 - set_alpha_to_one (
bool, 默认为True) — 每个扩散步使用该步和上一步的 alpha 乘积值。对于最后一步，没有上一步的 alpha。当此选项为True时，上一步的 alpha 乘积固定为 0，否则它使用步骤num_train_timesteps - 1处的 alpha 值。 - steps_offset (
int, 默认为 0) — 添加到推理步的偏移量，一些模型系列需要它。 - prediction_type (
str, 默认值为epsilon, 可选) — 调度器函数的预测类型；可以是epsilon（预测扩散过程的噪声）、sample（直接预测有噪声的样本）或v_prediction`（参见 Imagen 视频 论文的第 2.4 节）。 - timestep_spacing (
str, 默认值为"leading") — 时间步长的缩放方式。有关更多信息，请参考 常见的扩散噪声调度和样本步骤有缺陷 的表 2。 - rescale_betas_zero_snr (
bool, 默认值为False) — 是否将 betas 重新缩放以具有零终端 SNR。这使模型能够生成非常明亮和黑暗的样本，而不是将其限制在中等亮度的样本。与--offset_noise相关。
DDIMInverseScheduler 是 DDIMScheduler 的反向调度器。
此模型继承自 SchedulerMixin 和 ConfigMixin。查看超类文档以了解库为所有调度器实现的通用方法，例如加载和保存。
确保与需要根据当前时间步长缩放降噪模型输入的调度器互换。
设置用于扩散链的离散时间步长（在推理之前运行）。
step
< 源代码 >( model_output: 张量 timestep: int sample: 张量 return_dict: bool = True 参数 返回值
如果 return_dict 为 torch.Tensor) — 学习扩散模型的直接输出。 float) — 扩散链中的当前离散时间步。 torch.Tensor) — 扩散过程创建的样本的当前实例。 float) — 扩散步骤中添加噪声的噪声权重。 bool, defaults to False) — 如果为 True，则从裁剪的预测原始样本计算“校正”的 model_output。 这是必要的，因为当 self.config.clip_sample 为 True 时，预测的原始样本将被裁剪到 [-1, 1]。 如果没有发生裁剪，则“校正”的 model_output 将与作为输入提供的 model_output 一致，并且 use_clipped_model_output 将不起作用。 torch.Tensor) — 通过直接提供方差本身的噪声，替代使用 generator 生成噪声。 对于 CycleDiffusion 等方法很有用。 bool, 可选, defaults to True) — 是否返回 ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput 或 tuple。 ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput 或 tupleTrue，则返回 ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput，否则返回一个元组，其中第一个元素是样本张量。
通过反转 SDE 预测来自先前时间步的样本。 此函数将扩散过程从学习的模型输出（通常是预测的噪声）传播出去。