Hugging Face's logo

Diffusers 文档

FlowMatchEulerDiscreteScheduler

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

FlowMatchEulerDiscreteScheduler

FlowMatchEulerDiscreteScheduler 基于 Stable Diffusion 3 中介绍的流匹配采样。

FlowMatchEulerDiscreteScheduler

class diffusers.FlowMatchEulerDiscreteScheduler

< >

( num_train_timesteps: int = 1000 shift: float = 1.0 use_dynamic_shifting = False base_shift: Optional = 0.5 max_shift: Optional = 1.15 base_image_seq_len: Optional = 256 max_image_seq_len: Optional = 4096 )

参数

  • num_train_timesteps (int, 默认值为 1000) — 用于训练模型的扩散步骤数量。
  • timestep_spacing (str, 默认值为 "linspace") — 时间步长缩放的方式。有关更多信息，请参阅 常见的扩散噪声计划和样本步骤有缺陷 的表 2。
  • shift (float, 默认值为 1.0) — 时间步长计划的偏移值。

欧拉调度器。

此模型继承自 SchedulerMixin 和 ConfigMixin。查看超类文档以获取库为所有调度器实现的通用方法，例如加载和保存。

scale_noise

< >

( sample: FloatTensor timestep: Union noise: Optional = None ) → torch.FloatTensor

参数

  • sample (torch.FloatTensor) — 输入样本。
  • timestep (int, 可选) — 扩散链中的当前时间步长。

返回

torch.FloatTensor

一个缩放后的输入样本。

流匹配中的正向过程

set_begin_index

< >

( begin_index: int = 0 )

参数

  • begin_index (int) — 调度器的开始索引。

设置调度器的开始索引。此函数应在推断之前从管道运行。

set_timesteps

< >

( num_inference_steps: int = None device: Union = None sigmas: Optional = None mu: Optional = 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量。
  • device (str 或 torch.device, 可选) — 要将时间步移动到的设备。 如果为 None，则不会移动时间步。

设置用于扩散链的离散时间步（在推理之前运行）。

step

< >

( model_output: FloatTensor timestep: Union sample: FloatTensor 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.FloatTensor) — 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.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) —
  • generator (torch.Generator, 可选) — 随机数生成器。
  • return_dict (bool) — 是否返回 EulerDiscreteSchedulerOutput 还是元组。

返回

EulerDiscreteSchedulerOutput 或 tuple

如果 return_dict 为 True，则返回 EulerDiscreteSchedulerOutput，否则返回元组，其中第一个元素是样本张量。

通过反转 SDE 从前一个时间步预测样本。此函数从学习的模型输出（通常是预测的噪声）传播扩散过程。

< > 在 GitHub 上更新

←EulerDiscreteScheduler FlowMatchHeunDiscreteScheduler→