EulerDiscreteScheduler
Euler 调度器（算法 2）来自 Karras 等人发表的基于扩散的生成模型的设计空间阐明论文。这是一种快速调度器，通常可以在 20-30 步内生成良好的输出。该调度器基于 k-diffusion 的原始实现，由 Katherine Crowson 实现。
EulerDiscreteScheduler
类 diffusers.EulerDiscreteScheduler
< 源代码 >( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' trained_betas: Union = None prediction_type: str = 'epsilon' interpolation_type: str = 'linear' use_karras_sigmas: Optional = False sigma_min: Optional = None sigma_max: Optional = None timestep_spacing: str = 'linspace' timestep_type: str = 'discrete' steps_offset: int = 0 rescale_betas_zero_snr: bool = False final_sigmas_type: str = 'zero' )
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 0.0001) — 推理的起始beta值。 - beta_end (
float，默认为 0.02) — 最终的beta值。 - beta_schedule (
str，默认为"linear") — beta 调度，将 beta 范围映射到一系列用于逐步调整模型的 beta 值。选择linear或scaled_linear。 - trained_betas (
np.ndarray，可选) — 将 beta 数组直接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 论文的第 2.4 节）。 - interpolation_type(
str，默认为"linear"，可选) — 用于计算调度器去噪步骤的中间 sigmas 的插值类型。应为"linear"或"log_linear"之一。 - use_karras_sigmas (
bool，可选，默认为False) — 在采样过程中是否使用 Karras sigmas 作为噪声调度中步长的依据。如果为True，则根据一系列噪声级别 {σi} 确定 sigmas。 - timestep_spacing (
str，默认为"linspace") — 时间步长缩放方式。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) — 某些模型系列所需的推理步数偏移量。 - rescale_betas_zero_snr (
bool，默认为False) — 是否将 beta 重缩放为零终端信噪比。这使模型能够生成非常明亮和黑暗的样本，而不是将其限制为中等亮度的样本。与--offset_noise松散相关。 - final_sigmas_type (
str，默认为"zero") — 采样过程中噪声计划的最终sigma值。如果为"sigma_min"，则最终 sigma 与训练计划中的最后一个 sigma 相同。如果为zero，则最终 sigma 设置为 0。
欧拉调度器。
此模型继承自 SchedulerMixin 和 ConfigMixin。查看超类文档以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
< 源代码 >( sample: Tensor timestep: Union ) → torch.Tensor
确保与需要根据当前时间步长缩放降噪模型输入的调度器互换。将降噪模型输入按 (sigma**2 + 1) ** 0.5 缩放以匹配欧拉算法。
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
< 源代码 >( num_inference_steps: int = None device: Union = None timesteps: Optional = None sigmas: Optional = None )
参数
- 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。 - timesteps (
List[int], 可选) — 用于支持任意时间步计划的自定义时间步。如果为None，则时间步将基于timestep_spacing属性生成。如果传递了timesteps，则num_inference_steps和sigmas必须为None，并且timestep_spacing属性将被忽略。 - sigmas (
List[float], 可选) — 用于支持任意时间步计划的自定义 sigma。如果为None，则时间步和 sigma 将基于相关调度程序属性生成。如果传递了sigmas，则num_inference_steps和timesteps必须为None，并且时间步将基于自定义 sigma 计划生成。
设置用于扩散链的离散时间步（在推理之前运行）。
步骤
< 源代码 >( 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 ) → EulerDiscreteSchedulerOutput 或 tuple
参数
- model_output (
torch.Tensor) — 来自学习扩散模型的直接输出。 - timestep (
float) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor) — 由扩散过程创建的样本的当前实例。 - s_churn (
float) — - s_tmin (
float) — - generator (
torch.Generator，可选) — 随机数生成器。 - return_dict (
bool) — 是否返回 EulerDiscreteSchedulerOutput 或元组。
返回值
EulerDiscreteSchedulerOutput 或 tuple
如果 return_dict 为 True，则返回 EulerDiscreteSchedulerOutput，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 来预测前一个时间步的样本。此函数从学习模型的输出（通常是预测的噪声）传播扩散过程。
EulerDiscreteSchedulerOutput
class diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput
< 源代码 >( prev_sample: Tensor pred_original_sample: Optional = None )
调度程序的 step 函数输出的输出类。