Diffusers 文档
DPMSolverSDEScheduler
并获得增强的文档体验
开始使用
DPMSolverSDEScheduler
DPMSolverSDEScheduler
的灵感来自 Elucidating the Design Space of Diffusion-Based Generative Models 论文中的随机采样器,该调度器由 Katherine Crowson 移植和创建。
DPMSolverSDEScheduler
class diffusers.DPMSolverSDEScheduler
< 来源 >( 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 prediction_type: str = 'epsilon' use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False noise_sampler_seed: typing.Optional[int] = None timestep_spacing: str = 'linspace' steps_offset: int = 0 )
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 0.00085) — 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 范围映射到用于模型步进的 beta 序列的映射。可选择linear
或scaled_linear
。 - trained_betas (
np.ndarray
, 可选) — 直接向构造函数传入一个 betas 数组以绕过beta_start
和beta_end
。 - 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)。 - use_karras_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中是否在噪声调度中使用 Karras sigma 作为步长。如果为True
,则 sigma 根据噪声水平序列 {σi} 确定。 - use_exponential_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中是否在噪声调度中使用指数 sigma 作为步长。 - use_beta_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中是否在噪声调度中使用 beta sigma 作为步长。更多信息请参考 Beta Sampling is All You Need。 - noise_sampler_seed (
int
, 可选, 默认为None
) — 用于噪声采样器的随机种子。如果为None
,则生成一个随机种子。 - timestep_spacing (
str
, 默认为"linspace"
) — 时间步的缩放方式。更多信息请参考 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。 - steps_offset (
int
, 默认为 0) — 添加到推理步骤的偏移量,某些模型系列需要。
DPMSolverSDEScheduler 实现了 Elucidating the Design Space of Diffusion-Based Generative Models 论文中的随机采样器。
该模型继承自 SchedulerMixin 和 ConfigMixin。查看超类文档以了解库为所有调度器(例如加载和保存)实现的一般方法。
scale_model_input
< 来源 >( 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
< 来源 >( 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
< 来源 >( model_output: typing.Union[torch.Tensor, numpy.ndarray] timestep: typing.Union[float, torch.Tensor] sample: typing.Union[torch.Tensor, numpy.ndarray] return_dict: bool = True s_noise: float = 1.0 ) → DPMSolverSDESchedulerOutput
或 tuple
参数
- model_output (
torch.Tensor
或np.ndarray
) — 从学习到的扩散模型直接输出。 - timestep (
float
或torch.Tensor
) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor
或np.ndarray
) — 扩散过程创建的当前样本实例。 - return_dict (
bool
) — 是否返回DPMSolverSDESchedulerOutput
或元组。 - s_noise (
float
, 可选, 默认为 1.0) — 添加到样本的噪声缩放因子。
返回
DPMSolverSDESchedulerOutput
或 tuple
如果 return_dict 为 True
,则返回 DPMSolverSDESchedulerOutput
,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
< 来源 >( prev_sample: Tensor )
调度器 step
函数输出的基类。