Hugging Face's logo

Diffusers 文档

DPMSolverSDEScheduler

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

DPMSolverSDEScheduler

DPMSolverSDEScheduler 的灵感来自于论文 Elucidating the Design Space of Diffusion-Based Generative Models 中的随机采样器，并且该调度器由 Katherine Crowson 移植和创建。

DPMSolverSDEScheduler

class diffusers.DPMSolverSDEScheduler

< >

( 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) — 最终的 beta 值。
  • beta_schedule (str, 默认为 "linear") — Beta 调度，从 beta 范围到用于步进模型的 betas 序列的映射。从 linear 或 scaled_linear 中选择。
  • trained_betas (np.ndarray, 可选) — 直接将 betas 数组传递给构造函数以绕过 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) — 是否在采样过程中对噪声时间表中的步长使用 Karras sigmas。如果为 True，则根据噪声水平序列 {σi} 确定 sigmas。
  • use_exponential_sigmas (bool, 可选, 默认为 False) — 是否在采样过程中对噪声时间表中的步长使用指数 sigmas。
  • use_beta_sigmas (bool, 可选, 默认为 False) — 是否在采样过程中对噪声时间表中的步长使用 beta sigmas。 有关更多信息，请参阅 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，则会生成一个随机种子。
  • timestep_spacing (str, 默认为 "linspace") — 时间步长应缩放的方式。 有关更多信息，请参阅 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。
  • steps_offset (int, 默认为 0) — 添加到推理步骤的偏移量，某些模型系列需要此偏移量。

DPMSolverSDEScheduler 实现了来自 Elucidating the Design Space of Diffusion-Based Generative Models 论文的随机采样器。

此模型继承自 SchedulerMixin 和 ConfigMixin。 查看超类文档，了解库为所有调度程序实现的通用方法，例如加载和保存。

scale_model_input

< >

( sample: Tensor timestep: typing.Union[float, torch.Tensor] ) → 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。

Returns

torch.Tensor

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程序的可互换性。

set_begin_index

< >

( begin_index: int = 0 )

参数

  • begin_index (int) — 调度程序的起始索引。

设置调度程序的起始索引。 此函数应在推理之前从管道运行。

set_timesteps

< >

( num_inference_steps: int device: typing.Union[str, torch.device] = None num_train_timesteps: typing.Optional[int] = 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骤数。
  • device (str 或 torch.device, 可选) — 时间步应移动到的设备。 如果为 None，则时间步不会移动。

设置用于扩散链的离散时间步（在推理之前运行）。

step

< >

( 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 or tuple

参数

  • model_output (torch.Tensor 或 np.ndarray) — 来自学习的扩散模型的直接输出。
  • timestep (float 或 torch.Tensor) — 扩散链中的当前离散时间步。
  • sample (torch.Tensor 或 np.ndarray) — 由扩散过程创建的样本的当前实例。
  • return_dict (bool) — 是否返回 DPMSolverSDESchedulerOutput 或元组。
  • s_noise (float, 可选, 默认为 1.0) — 添加到样本的噪声的缩放因子。

Returns

DPMSolverSDESchedulerOutput or 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。

通过反转 SDE，从上一个时间步预测样本。 此函数从学习的模型输出（通常是预测的噪声）传播扩散过程。

SchedulerOutput

class diffusers.schedulers.scheduling_utils.SchedulerOutput

< >

( prev_sample: Tensor )

参数

  • prev_sample (torch.Tensor，形状为 (batch_size, num_channels, height, width)，用于图像) — 上一个时间步的计算样本 (x_{t-1})。 prev_sample 应用作去噪循环中的下一个模型输入。

调度程序的 step 函数输出的基类。

< > 在 GitHub 上更新

←DPMSolverMultistepScheduler DPMSolverSinglestepScheduler→