Diffusers 文档
LMS离散调度器
并获得增强的文档体验
开始使用
LMS离散调度器
LMSDiscreteScheduler
是用于离散 beta 调度器的线性多步调度器。该调度器由Katherine Crowson移植和创建,原始实现可在crowsonkb/k-diffusion找到。
LMSDiscreteScheduler
类 diffusers.LMSDiscreteScheduler
< 来源 >( 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 use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False prediction_type: str = 'epsilon' timestep_spacing: str = 'linspace' steps_offset: int = 0 )
参数
- num_train_timesteps (
int
, 默认为 1000) — 训练模型的扩散步数。 - beta_start (
float
, 默认为 0.0001) — 推理的起始beta
值。 - beta_end (
float
, 默认为 0.02) — 最终beta
值。 - beta_schedule (
str
, 默认为"linear"
) — beta 调度,一个将 beta 范围映射到模型步进的一系列 beta 值。可选linear
或scaled_linear
。 - trained_betas (
np.ndarray
, 可选) — 直接向构造函数传递一个 beta 数组,以绕过beta_start
和beta_end
。 - use_karras_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中,是否在噪声调度中使用 Karras sigma 作为步长。如果为True
,sigma 将根据噪声水平序列 {σi} 确定。 - use_exponential_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中,是否在噪声调度中使用指数 sigma 作为步长。 - use_beta_sigmas (
bool
, 可选, 默认为False
) — 在采样过程中,是否在噪声调度中使用 beta sigma 作为步长。更多信息请参阅Beta 采样是你所需的一切。 - prediction_type (
str
, 默认为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
(直接预测噪声样本) 或v_prediction
(参见 Imagen Video 论文的 2.4 节)。 - timestep_spacing (
str
, 默认为"linspace"
) — 时间步长的缩放方式。更多信息请参阅常见扩散噪声调度和采样步长存在缺陷的表 2。 - steps_offset (
int
, 默认为 0) — 根据某些模型系列的要求,添加到推理步骤中的偏移量。
用于离散 beta 调度器的线性多步调度器。
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。
计算线性多步系数。
缩放模型输入
< 来源 >( sample: Tensor timestep: typing.Union[float, torch.Tensor] ) → torch.Tensor
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。
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。
设置时间步
< 来源 >( num_inference_steps: int device: typing.Union[str, torch.device] = None )
设置用于扩散链的离散时间步(在推理之前运行)。
步骤
< 来源 >( model_output: Tensor timestep: typing.Union[float, torch.Tensor] sample: Tensor order: int = 4 return_dict: bool = True ) → 调度器输出 或 tuple
参数
- model_output (
torch.Tensor
) — 从学习到的扩散模型直接输出。 - timestep (
float
或torch.Tensor
) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor
) — 扩散过程创建的样本的当前实例。 - order (
int
, 默认为 4) — 线性多步法的阶数。 - return_dict (
bool
, 可选, 默认为True
) — 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。
通过逆转 SDE 预测前一个时间步的样本。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。
LMSDiscreteSchedulerOutput
类 diffusers.schedulers.scheduling_lms_discrete.LMSDiscreteSchedulerOutput
< 源 >( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )
调度器 step
函数输出的输出类。