Hugging Face 的 LOGO

Diffusers 文档

IPNDMScheduler

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

IPNDMScheduler

IPNDMScheduler 是一个四阶改进伪线性多步调度器。原始实现可在 crowsonkb/v-diffusion-pytorch 找到。

IPNDMScheduler

class diffusers.IPNDMScheduler

< >

( num_train_timesteps: int = 1000 trained_betas: typing.Union[numpy.ndarray, typing.List[float], NoneType] = None )

参数

  • num_train_timesteps (int, 默认为 1000) — 训练模型的扩散步数。
  • trained_betas (np.ndarray, 可选) — 直接向构造函数传入 betas 数组，以绕过 beta_start 和 beta_end。

一个四阶改进伪线性多步调度器。

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（如加载和保存）实现的通用方法。

scale_model_input

< >

( sample: Tensor *args **kwargs ) → torch.Tensor

参数

  • sample (torch.Tensor) — 输入样本。

返回

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互换使用。

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管道中运行。

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数。
  • device (str 或 torch.device, 可选) — 时间步应移动到的设备。如果为 None，时间步将不移动。

设置用于扩散链的离散时间步（在推理之前运行）。

步骤

< >

( model_output: Tensor timestep: typing.Union[int, torch.Tensor] sample: Tensor return_dict: bool = True ) → SchedulerOutput 或 tuple

参数

  • model_output (torch.Tensor) — 来自学习到的扩散模型的直接输出。
  • timestep (int) — 扩散链中当前的离散时间步。
  • sample (torch.Tensor) — 扩散过程创建的样本的当前实例。
  • return_dict (bool) — 是否返回 SchedulerOutput 或元组。

返回

调度器输出 或 tuple

如果 return_dict 为 True，则返回 SchedulerOutput，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。此函数使用线性多步方法传播样本。它执行多次前向传播以近似解。

SchedulerOutput

class diffusers.schedulers.scheduling_utils.SchedulerOutput

< >

( prev_sample: Tensor )

参数

  • prev_sample (torch.Tensor，图像形状为 (batch_size, num_channels, height, width)) — 上一个时间步计算出的样本 (x_{t-1})。prev_sample 应作为去噪循环中的下一个模型输入。

调度器 step 函数输出的基类。

< > 在 GitHub 上更新

←HeunDiscreteScheduler KarrasVeScheduler→