KDPM2DiscreteScheduler
KDPM2DiscreteScheduler 受到 阐明扩散式生成模型的设计空间 论文的启发，调度器移植自 Katherine Crowson 并由其创建。
原始代码库位于 crowsonkb/k-diffusion。
KDPM2DiscreteScheduler
class diffusers.KDPM2DiscreteScheduler
< 源代码 >( num_train_timesteps: int = 1000 beta_start: float = 0.00085 beta_end: float = 0.012 beta_schedule: str = 'linear' trained_betas: Union = None use_karras_sigmas: Optional = False prediction_type: str = 'epsilon' timestep_spacing: str = 'linspace' steps_offset: int = 0 )
参数
- num_train_timesteps (
int, 默认值为 1000) — 用于训练模型的扩散步骤数量。 - beta_start (
float, 默认值为 0.00085) — 推理的初始beta值。 - beta_end (
float, 默认值为 0.012) — 最终的beta值。 - beta_schedule (
str, 默认值为"linear") — beta 计划，将 beta 范围映射到用于逐步推进模型的一系列 beta 值。从linear或scaled_linear中选择。 - trained_betas (
np.ndarray, 可选) — 直接将一系列 beta 值传递给构造函数，以绕过beta_start和beta_end。 - use_karras_sigmas (
bool, 可选, 默认值为False) — 是否在采样过程中使用 Karras sigma 作为噪声计划中步长的尺寸。如果True，则根据一系列噪声级别 {σi} 确定 sigma。 - 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（直接预测带噪声的样本）或v_prediction（见 Imagen Video 论文的第 2.4 节）。 - timestep_spacing (
str, 默认值为"linspace") — 时间步长的缩放方式。有关更多信息，请参阅 常见的扩散噪声计划和样本步骤存在缺陷 论文的表 2。 - steps_offset (
int, 默认值为 0) — 添加到推理步骤的偏移量，某些模型系列需要此偏移量。
KDPM2DiscreteScheduler 受 阐明基于扩散的生成模型的设计空间 论文中的 DPMSolver2 和算法 2 的启发。
此模型继承自 SchedulerMixin 和 ConfigMixin。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。
设置调度器的起始索引。此函数应该在推理之前从管道中运行。
set_timesteps
< 源代码 >( num_inference_steps: int device: 联合类型 = None num_train_timesteps: 可选 = None )
设置用于扩散链的离散时间步（在推理之前运行）。
step
< 源代码 >( model_output: 联合类型 timestep: 联合类型 sample: 联合类型 return_dict: bool = True ) → SchedulerOutput 或 元组
参数
- model_output (
torch.Tensor) — 从学习扩散模型中直接输出。 - sample (
torch.Tensor) — 由扩散过程创建的样本的当前实例。 - return_dict (
bool) — 是否返回一个 SchedulerOutput 还是元组。
返回值
SchedulerOutput 或 tuple
如果 return_dict 为 True，则返回 SchedulerOutput，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 来预测来自先前时间步的样本。此函数将扩散过程从学习模型输出（通常是预测的噪声）传播出去。
SchedulerOutput
class diffusers.schedulers.scheduling_utils.SchedulerOutput
< 源代码 >( prev_sample: 张量 )
调度程序 step 函数的输出的基类。