Diffusers 文档

LMS离散调度器

Hugging Face's logo
加入 Hugging Face 社区

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

diffusers.LMSDiscreteScheduler

< >

( 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 linearscaled_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_startbeta_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SchedulerMixinConfigMixin。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。

get_lms_coefficient

< >

( order t current_order )

参数

  • order () —
  • t () —
  • current_order () —

计算线性多步系数。

缩放模型输入

< >

( sample: Tensor timestep: typing.Union[float, torch.Tensor] ) torch.Tensor

参数

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

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。

设置开始索引

< >

( 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。

设置时间步

< >

( 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 (strtorch.device, 可选) — 时间步应移动到的设备。如果为 None,则不移动时间步。

设置用于扩散链的离散时间步(在推理之前运行)。

步骤

< >

( model_output: Tensor timestep: typing.Union[float, torch.Tensor] sample: Tensor order: int = 4 return_dict: bool = True ) 调度器输出tuple

参数

  • model_output (torch.Tensor) — 从学习到的扩散模型直接输出。
  • timestep (floattorch.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

diffusers.schedulers.scheduling_lms_discrete.LMSDiscreteSchedulerOutput

< >

( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )

参数

  • prev_sample (torch.Tensor,图像的形状为 (batch_size, num_channels, height, width)) — 上一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。
  • pred_original_sample (torch.Tensor,图像的形状为 (batch_size, num_channels, height, width)) — 基于当前时间步的模型输出预测的去噪样本 (x_{0})pred_original_sample 可用于预览进度或用于引导。

调度器 step 函数输出的输出类。

< > 在 GitHub 上更新