Diffusers 文档
DDIMInverseScheduler
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
< source >( 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linear
、scaled_linear
或squaredcos_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_start
和beta_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。
DDIMInverseScheduler
是 DDIMScheduler 的反向调度器。
该模型继承自 SchedulerMixin 和 ConfigMixin。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
< source >( sample: Tensor timestep: typing.Optional[int] = None ) → torch.Tensor
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
< source >( num_inference_steps: int device: typing.Union[str, torch.device] = None )
设置用于扩散链的离散时间步(在推理之前运行)。
步骤
< source >( model_output: Tensor timestep: int sample: Tensor return_dict: bool = True ) → ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput
或 tuple
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_sample
为True
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.DDIMInverseSchedulerOutput
或tuple
。
返回
~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput
或 tuple
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。