Diffusers 文档
PNDMScheduler
并获得增强的文档体验
开始使用
PNDMScheduler
PNDMScheduler
,也称为扩散模型的伪数值方法,采用了更先进的 ODE 积分技术,如龙格-库塔法和线性多步法。原始实现可在 crowsonkb/k-diffusion 找到。
PNDMScheduler
类 diffusers.PNDMScheduler
< 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 skip_prk_steps: bool = False set_alpha_to_one: bool = False prediction_type: str = 'epsilon' timestep_spacing: str = 'leading' steps_offset: int = 0 )
参数
- num_train_timesteps (
int
, 默认为 1000) — 用于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,将 beta 范围映射到用于模型步进的 beta 序列。可选择linear
、scaled_linear
或squaredcos_cap_v2
。 - trained_betas (
np.ndarray
, 可选) — 直接向构造函数传递 beta 数组,以绕过beta_start
和beta_end
。 - skip_prk_steps (
bool
, 默认为False
) — 允许调度器跳过原始论文中定义为在 PLMS 步骤之前所需的龙格-库塔步骤。 - set_alpha_to_one (
bool
, 默认为False
) — 每个扩散步骤都使用该步骤和前一个步骤的 alpha 乘积值。对于最后一步,没有前一个 alpha。当此选项为True
时,前一个 alpha 乘积固定为1
,否则使用第 0 步的 alpha 值。 - 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) 或v_prediction
(参见 Imagen Video 论文的第 2.4 节)。 - timestep_spacing (
str
, 默认为"leading"
) — 时间步的缩放方式。更多信息请参考 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。 - steps_offset (
int
, 默认为 0) — 添加到推理步数的偏移量,某些模型系列需要此参数。
PNDMScheduler
使用扩散模型的伪数值方法,例如龙格-库塔法和线性多步法。
该模型继承自 SchedulerMixin 和 ConfigMixin。有关库为所有调度器(如加载和保存)实现的通用方法,请参阅超类文档。
scale_model_input
< 来源 >( sample: Tensor *args **kwargs ) → 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。
set_timesteps
< 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: int sample: Tensor return_dict: bool = True ) → SchedulerOutput 或 tuple
参数
- model_output (
torch.Tensor
) — 来自学习扩散模型的直接输出。 - timestep (
int
) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor
) — 由扩散过程创建的当前样本实例。 - return_dict (
bool
) — 是否返回 SchedulerOutput 或tuple
。
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 预测上一个时间步的样本。此函数根据内部变量 `counter` 传播来自学习模型输出(通常是预测噪声)的扩散过程,并调用 step_prk() 或 step_plms()。
step_plms
< 来源 >( model_output: Tensor timestep: int sample: Tensor return_dict: bool = True ) → SchedulerOutput 或 tuple
参数
- model_output (
torch.Tensor
) — 来自学习扩散模型的直接输出。 - timestep (
int
) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor
) — 由扩散过程创建的当前样本实例。 - 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 预测上一个时间步的样本。此函数使用线性多步法传播样本。它执行一次前向传播多次以近似解。
step_prk
< 来源 >( model_output: Tensor timestep: int sample: Tensor return_dict: bool = True ) → SchedulerOutput 或 tuple
参数
- model_output (
torch.Tensor
) — 来自学习扩散模型的直接输出。 - timestep (
int
) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor
) — 由扩散过程创建的当前样本实例。 - 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从上一个时间步预测样本。此函数使用Runge-Kutta方法传播样本。它执行四次正向传递以逼近微分方程的解。
SchedulerOutput
class diffusers.schedulers.scheduling_utils.SchedulerOutput
< source >( prev_sample: Tensor )
调度器 step
函数输出的基类。