Hugging Face's logo

Diffusers 文档

EulerAncestralDiscreteScheduler

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

EulerAncestralDiscreteScheduler

一个使用祖先抽样和欧拉方法步骤的调度器。这是一个快速的调度器，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

< >

( 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, defaults to 1000) — 训练模型的扩散步骤数。
  • beta_start (float, defaults to 0.0001) — 推理的起始 beta 值。
  • beta_end (float, defaults to 0.02) — 最终的 beta 值。
  • beta_schedule (str, defaults to "linear") — Beta 计划，从 beta 范围到用于步进模型的 beta 序列的映射。 从 linear 或 scaled_linear 中选择。
  • trained_betas (np.ndarray, optional) — 直接将 beta 数组传递给构造函数以绕过 beta_start 和 beta_end。
  • prediction_type (str, defaults to epsilon, optional) — 调度器函数的预测类型； 可以是 epsilon (预测扩散过程的噪声), sample (直接预测带噪样本) 或 v_prediction` (参见 Imagen Video 论文的 2.4 节)。
  • timestep_spacing (str, defaults to "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, defaults to 0) — 添加到推理步骤的偏移量，某些模型系列需要这样做。
  • rescale_betas_zero_snr (bool, 默认为 False) — 是否重新缩放 betas 以使其具有零终端信噪比。这使得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。大致相关于 --offset_noise。

使用 Euler 方法步骤的祖先采样。

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

< >

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

参数

  • sample (torch.Tensor) — 输入样本。
  • timestep (int, 可选) — 扩散链中当前的时间步。

返回值

torch.Tensor

一个缩放后的输入样本。

确保与需要根据当前时间步缩放去噪模型输入的调度器的互换性。将去噪模型输入按 (sigma**2 + 1) ** 0.5 比例缩放，以匹配 Euler 算法。

set_begin_index

< >

( 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。此函数应在推理之前从 pipeline 运行。

set_timesteps

< >

( num_inference_steps: int device: typing.Union[str, torch.device] = 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: 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) — 来自学习到的扩散模型的直接输出。
  • timestep (float) — 扩散链中当前的离散时间步。
  • sample (torch.Tensor) — 由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。

返回值

EulerAncestralDiscreteSchedulerOutput 或 tuple

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。

通过反转 SDE，从上一个时间步预测样本。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

< >

( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )

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 应该用作去噪循环中的下一个模型输入。
  • pred_original_sample (torch.Tensor，形状为 (batch_size, num_channels, height, width)，用于图像) — 基于当前时间步的模型输出预测的去噪样本 (x_{0})。 pred_original_sample 可以用于预览进度或用于指导。

调度器的 step 函数输出的输出类。

< > 在 GitHub 上更新

←EDMEulerScheduler EulerDiscreteScheduler→