Diffusers 文档
EulerAncestralDiscreteScheduler
并获得增强的文档体验
开始使用
EulerAncestralDiscreteScheduler
一种使用祖先采样和欧拉方法步长的调度器。这是一个快速调度器,通常可以在 20-30 步内生成良好的输出。该调度器基于 Katherine Crowson 的原始 k-diffusion 实现。
EulerAncestralDiscreteScheduler
class diffusers.EulerAncestralDiscreteScheduler
< source >( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' trained_betas: typing.Union[numpy.ndarray, typing.List[float], NoneType] = None prediction_type: str = 'epsilon' timestep_spacing: str = 'linspace' steps_offset: int = 0 rescale_betas_zero_snr: bool = False )
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 0.0001) — 推理的起始beta
值。 - beta_end (
float
, 默认为 0.02) — 最终beta
值。 - beta_schedule (
str
, 默认为"linear"
) — Beta 调度,用于将 beta 范围映射到模型步进的 beta 序列。可选择linear
或scaled_linear
。 - trained_betas (
np.ndarray
, 可选) — 直接向构造函数传递 beta 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)。 - timestep_spacing (
str
, 默认为"linspace"
) — 时间步长的缩放方式。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) — 添加到推理步数的偏移量,某些模型系列需要此偏移量。 - rescale_betas_zero_snr (
bool
, 默认为False
) — 是否将 beta 值重新缩放为零终端信噪比 (SNR)。这使得模型能够生成非常明亮和非常暗的样本,而不是将其限制为中等亮度的样本。与--offset_noise
有松散的关联。
采用欧拉方法步长的祖先采样。
此模型继承自 SchedulerMixin 和 ConfigMixin。请查看超类文档,了解库为所有调度器(例如加载和保存)实现的通用方法。
scale_model_input
< source >( 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可互换。通过 (sigma**2 + 1) ** 0.5
缩放去噪模型输入以匹配欧拉算法。
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
< source >( num_inference_steps: int device: typing.Union[str, torch.device] = None )
设置用于扩散链的离散时间步(在推理之前运行)。
步骤
< source >( model_output: Tensor timestep: typing.Union[float, torch.Tensor] sample: Tensor generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → EulerAncestralDiscreteSchedulerOutput 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
) — 扩散过程创建的样本的当前实例。 - generator (
torch.Generator
, 可选) — 随机数生成器。 - return_dict (
bool
) — 是否返回 EulerAncestralDiscreteSchedulerOutput 或元组。
返回
如果 return_dict 为 True
,则返回 EulerAncestralDiscreteSchedulerOutput,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。
EulerAncestralDiscreteSchedulerOutput
class diffusers.schedulers.scheduling_euler_ancestral_discrete.EulerAncestralDiscreteSchedulerOutput
< source >( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )
调度器 step
函数输出的输出类。