Diffusers 文档
KDPM2AncestralDiscreteScheduler
并获得增强的文档体验
开始使用
KDPM2AncestralDiscreteScheduler
KDPM2DiscreteScheduler
采用祖先采样,灵感来自于 Elucidating the Design Space of Diffusion-Based Generative Models 论文,该调度器由 Katherine Crowson 移植并创建。
原始代码库可在 crowsonkb/k-diffusion 找到。
KDPM2AncestralDiscreteScheduler
class diffusers.KDPM2AncestralDiscreteScheduler
< source 源 >( num_train_timesteps: int = 1000 beta_start: float = 0.00085 beta_end: float = 0.012 beta_schedule: str = 'linear' trained_betas: typing.Union[numpy.ndarray, typing.List[float], NoneType] = None use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False prediction_type: str = 'epsilon' timestep_spacing: str = 'linspace' steps_offset: int = 0 )
参数
- num_train_timesteps (
int
, 默认为 1000) — 用于训练模型的扩散步数。 - beta_start (
float
, 默认为 0.00085) — 推理的起始beta
值。 - beta_end (
float
, 默认为 0.012) — 最终beta
值。 - beta_schedule (
str
, 默认为"linear"
) — beta 调度器,一个将 beta 范围映射到模型步进的一系列 beta 值的映射。可选择linear
或scaled_linear
。 - trained_betas (
np.ndarray
, 可选) — 直接向构造函数传递一个 beta 数组,以绕过beta_start
和beta_end
。 - use_karras_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中,是否使用 Karras sigmas 作为噪声调度器中的步长。如果为True
,则 sigmas 根据一系列噪声水平 {σi} 确定。 - use_exponential_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中,是否使用指数 sigmas 作为噪声调度器中的步长。 - use_beta_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中,是否使用 beta sigmas 作为噪声调度器中的步长。更多信息请参阅 Beta Sampling is All You Need。 - prediction_type (
str
, 默认为epsilon
, 可选) — 调度器函数的预测类型;可以是epsilon
(预测扩散过程中的噪声),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"linspace"
) — 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。 - steps_offset (
int
, 默认为 0) — 添加到推理步数的偏移量,某些模型家族需要此偏移量。
KDPM2AncestralDiscreteScheduler 采用祖先采样,灵感来自 DPMSolver2 和 Elucidating the Design Space of Diffusion-Based Generative Models 论文中的算法 2。
该模型继承自 SchedulerMixin 和 ConfigMixin。有关库为所有调度器实现的通用方法(例如加载和保存)的详细信息,请查阅超类文档。
scale_model_input
< source 源 >( sample: Tensor timestep: typing.Union[float, torch.Tensor] ) → 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。
设置调度器的起始索引。此函数应在推理之前从管道中运行。
set_timesteps
< source 源 >( num_inference_steps: int device: typing.Union[str, torch.device] = None num_train_timesteps: typing.Optional[int] = None )
设置用于扩散链的离散时间步(在推理之前运行)。
步骤
< source 源 >( model_output: typing.Union[torch.Tensor, numpy.ndarray] timestep: typing.Union[float, torch.Tensor] sample: typing.Union[torch.Tensor, numpy.ndarray] generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → KDPM2AncestralDiscreteSchedulerOutput
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
) — 扩散过程创建的当前样本实例。 - generator (
torch.Generator
, 可选) — 随机数生成器。 - return_dict (
bool
) — 是否返回KDPM2AncestralDiscreteSchedulerOutput
或元组。
返回
KDPM2AncestralDiscreteSchedulerOutput
或 tuple
如果 return_dict 为 True
,则返回 KDPM2AncestralDiscreteSchedulerOutput
,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。
SchedulerOutput
class diffusers.schedulers.scheduling_utils.SchedulerOutput
< source 源 >( prev_sample: Tensor )
调度器 step
函数输出的基类。