Diffusers 文档

DDIMInverseScheduler

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

DDIMInverseScheduler

DDIMInverseScheduler 是 Jiaming Song, Chenlin Meng 和 Stefano Ermon 的 去噪扩散隐式模型 (DDIM) 中反转的调度器。该实现主要基于 使用引导扩散模型编辑真实图像的空文本反转 中的 DDIM 反转定义。

DDIMInverseScheduler

class diffusers.DDIMInverseScheduler

< >

( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' trained_betas: typing.Union[numpy.ndarray, typing.List[float], NoneType] = 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 beta 值。
  • beta_schedule (str, 默认为 "linear") — beta 调度,一个将 beta 范围映射到用于模型步进的 beta 序列。可选择 linearscaled_linearsquaredcos_cap_v2
  • trained_betas (np.ndarray, 可选) — 直接向构造函数传入一个 beta 数组,以绕过 beta_startbeta_end
  • clip_sample (bool, 默认为 True) — 裁剪预测样本以保持数值稳定性。
  • clip_sample_range (float, 默认为 1.0) — 样本裁剪的最大幅度。仅当 clip_sample=True 时有效。
  • set_alpha_to_one (bool, 默认为 True) — 每个扩散步骤使用该步骤和前一步的 alpha 乘积值。对于最后一步,没有前一个 alpha。当此选项为 True 时,前一个 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) — 推理步数中添加的偏移量,某些模型系列需要。
  • prediction_type (str, 默认为 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 (直接预测噪声样本) 或 v_prediction (参见 Imagen Video 论文的 2.4 节)。
  • timestep_spacing (str, 默认为 "leading") — 时间步长的缩放方式。更多信息请参阅 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。
  • rescale_betas_zero_snr (bool, 默认为 False) — 是否重新缩放 betas 以使终端信噪比为零。这使得模型能够生成非常亮和非常暗的样本,而不是将其限制在亮度中等的样本中。与 --offset_noise 松散相关。

DDIMInverseSchedulerDDIMScheduler 的反向调度器。

该模型继承自 SchedulerMixinConfigMixin。请查看超类文档,了解库为所有调度器实现的通用方法,例如加载和保存。

scale_model_input

< >

( sample: Tensor timestep: typing.Optional[int] = None ) torch.Tensor

参数

  • sample (torch.Tensor) — 输入样本。
  • timestep (int, 可选) — 扩散链中的当前时间步。

返回

torch.Tensor

一个缩放后的输入样本。

确保与需要根据当前时间步缩放去噪模型输入的调度器互换使用。

set_timesteps

< >

( num_inference_steps: int device: typing.Union[str, torch.device] = None )

参数

  • num_inference_steps (int) — 使用预训练模型生成样本时使用的扩散步数。

设置用于扩散链的离散时间步(在推理之前运行)。

步骤

< >

( model_output: Tensor timestep: int sample: Tensor return_dict: bool = True ) ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutputtuple

参数

  • model_output (torch.Tensor) — 从学习到的扩散模型直接输出。
  • timestep (float) — 扩散链中的当前离散时间步。
  • sample (torch.Tensor) — 扩散过程创建的样本当前实例。
  • eta (float) — 扩散步骤中添加噪声的权重。
  • use_clipped_model_output (bool, 默认为 False) — 如果为 True,则从裁剪后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_sampleTrue 时,预测的原始样本被裁剪到 [-1, 1]。如果没有发生裁剪,“校正”的 model_output 将与作为输入提供的 model_output 一致,并且 use_clipped_model_output 不起作用。
  • variance_noise (torch.Tensor) — 除了通过 generator 生成噪声外,直接提供方差本身的噪声。对于 CycleDiffusion 等方法很有用。
  • return_dict (bool, 可选, 默认为 True) — 是否返回 ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutputtuple

返回

~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutputtuple

如果 return_dict 为 True,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。

通过逆转 SDE 预测前一个时间步的样本。此函数从学习到的模型输出(通常是预测的噪声)传播扩散过程。

< > 在 GitHub 上更新