参数

• sigma_min (float, 可选，默认为0.002) — sigma计划中噪声的最小幅度。在EDM论文[1]中设置为0.002；一个合理的范围是[0，10]。
• sigma_max (float, 可选，默认为80.0) — sigma计划中噪声的最大幅度。在EDM论文[1]中设置为80.0；一个合理的范围是[0.2，80.0]。
• sigma_data (float, 可选, 默认为 0.5) — 数据分布的标准差。这在 EDM 文件[1]中设置为 0.5。
• sigma_schedule (str, 可选, 默认为 karras) — 计算sigma的计划表。默认情况下，我们使用 EDM 文件中引入的计划（《https://arxiv.org/abs/2206.00364》）。其他可接受的值是“指数”。指数计划已被纳入此模型：《https://huggingface.co/stabilityai/cosxl》。
• num_train_timesteps (int, 默认为 1000) — 训练模型所需的扩散步骤数。
• prediction_type( Supportsimplified_Chinese_str, 默认值epsilon，可选的)- 调度器函数的预测类型; 可以为 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 论文中的第2.4节).
• 实现了EDM公式中 zoals in Karras 等人于 2022 年提出的 Euler 调度器。[1]

  [1] Karras, Tero, 等人。 “解释基于扩散的生成模型的配置空间。” https://arxiv.org/abs/2206.00364

  该模型继承自SchedulerMixin和ConfigMixin。请查阅父类文档，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: Tenso timestep: Union ) → 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长。

  返回值

  torch.Tensor

  缩放后的输入样本。

  确保与需要根据当前时间步长缩放大噪声模型输入的调度器可交换。通过 (sigma**2 + 1) ** 0.5 缩放去噪模型输入以符合欧拉算法。

  set_begin_index

  < 源代码 >

  ( begin_index: int = 0 )

  参数

  • begin_index (int) — 调度器的起始索引。

  设置调度器的起始索引。应在推理前从管道中运行此函数。

  set_timesteps

  < source >

  ( num_inference_steps: int device: Union = None )

  参数

  • num_inference_steps (int) — 在使用预训练模型生成样本时使用的扩散步骤的数量。
  • device (str 或 torch.device, 可选) — 需要将时间步移至的设备。如果为 None，则时间步不会移动。

  设置用于扩散链（在推理之前）的离散时间步。

  步

  < source >

  ( model_output: Tensor timestep: Union sample: Tensor s_churn: float = 0.0 s_tmin: float = 0.0 s_tmax: float = inf s_noise: float = 1.0 generator: Optional = None return_dict: bool = True ) → ~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput 或 tuple

  参数

  • model_output (torch.Tensor) — 来自学习扩散模型的直接输出。
  • timestep (float) — 在扩散链中的当前离散时间步。
  • sample (torch.Tensor) — 通过扩散过程创建的当前样本实例。
  • s_churn (float) —
  • s_tmin (float) —
  • s_tmax (float) —
  • 添加噪声的缩放因子 (float, 默认值为 1.0) —
  • generator (torch.Generator, 可选项) — 随机数生成器。
  • return_dict (bool) — 是否返回 ~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput 或元组。

  返回值

  ~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput 或 tuple

  如果 return_dict 设置为 true，则返回 ~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput，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（随机微分方程）预测上一时间步的样本。此函数通过学习模型输出（最常见的是预测的噪声）传播扩散过程。