Diffusers 文档
FlowMatchEulerDiscreteScheduler
并获得增强的文档体验
开始使用
FlowMatchEulerDiscreteScheduler
FlowMatchEulerDiscreteScheduler 基于 Stable Diffusion 3 中引入的 flow-matching 采样。
FlowMatchEulerDiscreteScheduler
类 diffusers.FlowMatchEulerDiscreteScheduler
< 源代码 >( num_train_timesteps: int = 1000 shift: float = 1.0 use_dynamic_shifting = False base_shift: typing.Optional[float] = 0.5 max_shift: typing.Optional[float] = 1.15 base_image_seq_len: typing.Optional[int] = 256 max_image_seq_len: typing.Optional[int] = 4096 invert_sigmas: bool = False shift_terminal: typing.Optional[float] = None use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False )
参数
- num_train_timesteps (
int, 默认为 1000) — 用于训练模型的扩散步骤数。 - timestep_spacing (
str, 默认为"linspace") — 时间步长的缩放方式。 有关更多信息，请参阅 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。 - shift (
float, 默认为 1.0) — 时间步长计划的 shift 值。
Euler 调度器。
此模型继承自 SchedulerMixin 和 ConfigMixin。 有关库为所有调度器（例如加载和保存）实现的通用方法，请查看超类文档。
scale_noise
< 源代码 >( sample: FloatTensor timestep: typing.Union[float, torch.FloatTensor] noise: typing.Optional[torch.FloatTensor] = None ) → torch.FloatTensor
flow-matching 中的前向过程
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
< source >( num_inference_steps: int = None device: typing.Union[str, torch.device] = None sigmas: typing.Optional[typing.List[float]] = None mu: typing.Optional[float] = None )
设置用于扩散链的离散时间步（在推理之前运行）。
step
< source >( model_output: FloatTensor timestep: typing.Union[float, torch.FloatTensor] sample: FloatTensor s_churn: float = 0.0 s_tmin: float = 0.0 s_tmax: float = inf s_noise: float = 1.0 generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → EulerDiscreteSchedulerOutput 或 tuple
参数
- model_output (
torch.FloatTensor) — 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.FloatTensor) — 由扩散过程创建的样本的当前实例。 - s_churn (
float) — - s_tmin (
float) — - s_tmax (
float) — - s_noise (
float, 默认为 1.0) — 添加到样本的噪声的缩放因子。 - generator (
torch.Generator, 可选) — 随机数生成器。 - return_dict (
bool) — 是否返回 EulerDiscreteSchedulerOutput 或 tuple。
返回
EulerDiscreteSchedulerOutput 或 tuple
如果 return_dict 为 True, 则返回 EulerDiscreteSchedulerOutput，否则返回一个 tuple，其中第一个元素是样本张量。
通过反转 SDE 来预测上一个时间步的样本。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。
stretch_shift_to_terminal
< source >( t: Tensor ) → torch.Tensor
拉伸和偏移时间步计划，以确保它在配置的 shift_terminal 配置值处终止。