Hugging Face 的徽标

Diffusers 文档

LMSDiscreteScheduler

Hugging Face's logo
加入 Hugging Face 社区

并获取增强文档体验

开始

LMSDiscreteScheduler

LMSDiscreteScheduler 是一个用于离散 beta 调度的线性多步调度器。调度器移植自并由 Katherine Crowson 创建，原始实现可以在 crowsonkb/k-diffusion 中找到。

LMSDiscreteScheduler

class diffusers.LMSDiscreteScheduler

< >

( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' trained_betas: Union = None use_karras_sigmas: Optional = False prediction_type: str = 'epsilon' timestep_spacing: str = 'linspace' steps_offset: int = 0 )

参数

  • num_train_timesteps (int, 默认为 1000) — 用于训练模型的扩散步骤数。
  • beta_start (float, 默认值为 0.0001) — 推理的起始 beta 值。
  • beta_end (float, 默认值为 0.02) — 最终的 beta 值。
  • beta_schedule (str, 默认值为 "linear") — beta 计划，将 beta 范围映射到一系列用于逐步训练模型的 beta。从 linear 或 scaled_linear 中选择。
  • trained_betas (np.ndarray, 可选) — 将一系列 beta 直接传递给构造函数以绕过 beta_start 和 beta_end。
  • use_karras_sigmas (bool, 可选, 默认值为 False) — 是否在采样过程中使用 Karras sigmas 作为噪声计划中步长的大小。如果为 True，则根据一系列噪声等级 {σi} 确定 sigmas。
  • prediction_type (str, 默认值为 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 (直接预测有噪声的样本) 或 v_prediction` (参见 Imagen Video 论文的第 2.4 节)。
  • timestep_spacing (str, 默认值为 "linspace") — 时间步长的缩放方式。有关更多信息，请参考 常见的扩散噪声计划和样本步骤存在缺陷 的表格 2。
  • steps_offset (int, 默认值为 0) — 添加到推理步骤的偏移量，某些模型系列需要此偏移量。

用于离散 beta 计划的线性多步调度器。

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。

get_lms_coefficient

< >

( order t current_order )

参数

  • order () —
  • current_order () —

计算线性多步系数。

scale_model_input

< >

( sample: Tensor timestep: Union ) → torch.Tensor

参数

  • sample (torch.Tensor) — 输入样本。
  • timestep (float 或 torch.Tensor) — 扩散链中的当前时间步。

返回

torch.Tensor

缩放后的输入样本。

确保与需要根据当前时间步缩放降噪模型输入的调度器可互换。

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。此函数应该在推断之前从管道中运行。

set_timesteps

< >

( num_inference_steps: int device: Union = 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) — 要移动时间步的设备。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（在推断之前运行）。

step

SchedulerOutput 或 元组

参数

  • model_output (torch.Tensor) — 来自学习扩散模型的直接输出。
  • timestep (float 或 torch.Tensor) — 扩散链中的当前离散时间步。
  • sample (torch.Tensor) — 由扩散过程创建的样本的当前实例。
  • order (int, 默认值为 4) — 线性多步法的阶数。
  • return_dict (bool, 可选, 默认值为 True) — 是否返回 SchedulerOutput 或元组。

返回

SchedulerOutput 或 元组

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 来预测上一个时间步的样本。 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。

LMSDiscreteSchedulerOutput

class diffusers.schedulers.scheduling_lms_discrete.LMSDiscreteSchedulerOutput

< >

( prev_sample: 张量 pred_original_sample: 可选 = None )

参数

  • prev_sample (torch.Tensor, 形状为 (batch_size, num_channels, height, width), 适用于图像) — 计算出的上一个时间步的样本 (x_{t-1})。 prev_sample 应在去噪循环中用作下一个模型输入。
  • pred_original_sample (torch.Tensor, 形状为 (batch_size, num_channels, height, width), 适用于图像) — 基于当前时间步的模型输出预测的去噪样本 (x_{0})。 pred_original_sample 可用于预览进度或指导。

调度器 step 函数输出的输出类。

< > 在 GitHub 上更新

←LCMScheduler PNDMScheduler→