擴散器

( )

所有管道的基類。

DiffusionPipeline 儲存擴散管道的所有元件（模型、排程器和處理器），並提供載入、下載和儲存模型的方法。它還包括以下方法：

將所有 PyTorch 模組移動到您選擇的裝置
啟用/停用去噪迭代的進度條

類屬性

config_name (str) — 儲存所有擴散管道元件的類名和模組名的配置檔名。
_optional_components (List[str]) — 所有可選元件的列表，這些元件無需傳遞給管道即可執行（應由子類覆蓋）。

call

( *args **kwargs )

將自身作為函式呼叫。

裝置

( ) → torch.device

torch.device

管道所在的 torch 裝置。

到

( *args **kwargs ) → DiffusionPipeline

引數

dtype (torch.dtype, 可選) — 返回指定 `dtype` 的管道
device (torch.Device, 可選) — 返回指定 `device` 的管道
silence_dtype_warnings (str, 可選, 預設為 False) — 如果目標 `dtype` 與目標 `device` 不相容，是否省略警告。

DiffusionPipeline

轉換為指定 `dtype` 和/或 `dtype` 的管道。

執行管道 dtype 和/或裝置轉換。torch.dtype 和 torch.device 是從 `self.to(*args, **kwargs)` 的引數中推斷出來的。

如果管道已經具有正確的 torch.dtype 和 torch.device，則按原樣返回。否則，返回的管道是具有所需 torch.dtype 和 torch.device 的自身副本。

以下是呼叫 `to` 的方法

to(dtype, silence_dtype_warnings=False) → DiffusionPipeline 返回具有指定 `dtype` 的管道
to(device, silence_dtype_warnings=False) → DiffusionPipeline 返回具有指定 `device` 的管道
to(device=None, dtype=None, silence_dtype_warnings=False) → DiffusionPipeline 返回具有指定 `device` 和 `dtype` 的管道

元件

( )

self.components 屬性對於使用相同的權重和配置執行不同的管道而無需重新分配額外記憶體非常有用。

返回 (dict): 一個字典，包含初始化管道所需的所有模組。

示例

>>> from diffusers import (
...     StableDiffusionPipeline,
...     StableDiffusionImg2ImgPipeline,
...     StableDiffusionInpaintPipeline,
... )

>>> text2img = StableDiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5")
>>> img2img = StableDiffusionImg2ImgPipeline(**text2img.components)
>>> inpaint = StableDiffusionInpaintPipeline(**text2img.components)

停用注意力切片

( )

停用切片注意力計算。如果之前呼叫過 enable_attention_slicing，則注意力將一步計算完成。

停用 xformers 記憶體高效注意力

( )

停用 xFormers 的記憶體高效注意力。

下載

( pretrained_model_name **kwargs ) → os.PathLike

引數

pretrained_model_name (str 或 os.PathLike, 可選) — 託管在 Hub 上的預訓練管道的倉庫 ID 字串（例如 CompVis/ldm-text2im-large-256）。
custom_pipeline (str, 可選) — 可以是：
- 一個字串，Hub 上託管的預訓練管道的倉庫 ID（例如 CompVis/ldm-text2im-large-256）。倉庫必須包含一個名為 pipeline.py 的檔案，該檔案定義了自定義管道。
- 一個字串，GitHub 上社群託管的社群管道的檔名。有效的檔名必須與檔名匹配，而不是管道指令碼（clip_guided_stable_diffusion 而不是 clip_guided_stable_diffusion.py）。社群管道始終從 GitHub 的當前 main 分支載入。
- 一個包含自定義管道的目錄路徑（./my_pipeline_directory/）。該目錄必須包含一個名為 pipeline.py 的檔案，該檔案定義了自定義管道。
🧪 這是一個實驗性功能，未來可能會更改。

有關如何載入和建立自定義管道的更多資訊，請參閱如何貢獻社群管道。
force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，如果存在快取版本則覆蓋。
proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
output_loading_info(bool, 可選, 預設為 False) — 是否同時返回包含缺失鍵、意外部索引鍵和錯誤訊息的字典。
local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，則不會從 Hub 下載模型。
token (str 或 bool, 可選) — 用於遠端檔案的 HTTP Bearer 授權令牌。如果為 True，則使用從 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
custom_revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱或提交 ID，與從 Hub 載入自定義管道時的 `revision` 類似。從 GitHub 載入自定義管道時，它可以是 🤗 Diffusers 版本，否則從 Hub 載入時預設為 "main"。
mirror (str, 可選) — 解決在中國下載模型時可訪問性問題的映象源。我們不保證該源的時效性或安全性，您應參閱映象網站獲取更多資訊。
variant (str, 可選) — 從指定的變體檔名（如 "fp16" 或 "ema"）載入權重。從 from_flax 載入時忽略此項。
dduf_file(str, 可選) — 從指定的 DDUF 檔案載入權重。
use_safetensors (bool, optional,預設為 None) — 如果設定為 None，則在可用且安裝了 safetensors 庫的情況下下載 safetensors 權重。如果設定為 True，則強制從 safetensors 權重載入模型。如果設定為 False，則不載入 safetensors 權重。
use_onnx (bool, optional, 預設為 False) — 如果設定為 True，則如果存在 ONNX 權重，將始終下載。如果設定為 False，則永遠不會下載 ONNX 權重。預設情況下，use_onnx 預設為 _is_onnx 類屬性，對於非 ONNX 管道為 False，對於 ONNX 管道為 True。ONNX 權重包括以 .onnx 和 .pb 結尾的檔案。
trust_remote_code (bool, optional, 預設為 False) — 是否允許在 Hub 上定義的自定義管道和元件在自己的檔案中使用。此選項應僅在您信任並已閱讀其程式碼的儲存庫中設定為 True，因為它將在您的本地計算機上執行 Hub 中的程式碼。

os.PathLike

下載管道的路徑。

從預訓練的管道權重下載並快取 PyTorch 擴散管道。

要使用私有或封閉模型，請使用 huggingface-cli login 登入。

enable_attention_slicing

( slice_size: typing.Union[int, str, NoneType] = 'auto' )

引數

slice_size (str 或 int, optional, 預設為 "auto") — 當為 "auto" 時，將注意力頭部的輸入減半，因此注意力將分兩步計算。如果為 "max"，則透過一次只執行一個切片來節省最大記憶體量。如果提供數字，則使用 attention_head_dim // slice_size 個切片。在這種情況下，attention_head_dim 必須是 slice_size 的倍數。

啟用切片注意力計算。啟用此選項後，注意力模組將輸入張量分割成切片，以分多個步驟計算注意力。對於多個注意力頭，計算按每個頭順序執行。這對於節省一些記憶體以換取小幅速度降低很有用。

⚠️ 如果您已經在使用 PyTorch 2.0 的 scaled_dot_product_attention (SDPA) 或 xFormers，請不要啟用注意力切片。這些注意力計算已經非常記憶體高效，因此您無需啟用此功能。如果您將注意力切片與 SDPA 或 xFormers 一起啟用，可能會導致嚴重的效能下降！

示例

>>> import torch
>>> from diffusers import StableDiffusionPipeline

>>> pipe = StableDiffusionPipeline.from_pretrained(
...     "stable-diffusion-v1-5/stable-diffusion-v1-5",
...     torch_dtype=torch.float16,
...     use_safetensors=True,
... )

>>> prompt = "a photo of an astronaut riding a horse on mars"
>>> pipe.enable_attention_slicing()
>>> image = pipe(prompt).images[0]

enable_model_cpu_offload

( gpu_id: typing.Optional[int] = None device: typing.Union[torch.device, str] = None )

引數

gpu_id (int, optional) — 推理中應使用的加速器 ID。如果未指定，則預設為 0。
device (torch.Device 或 str, optional, 預設為 None) — 推理中應使用的加速器的 PyTorch 裝置型別。如果未指定，它將自動檢測可用的加速器並使用。

使用 accelerate 將所有模型解除安裝到 CPU，減少記憶體使用，對效能影響較小。與 enable_sequential_cpu_offload 相比，此方法一次將一個完整的模型移至加速器，並在呼叫其 forward 方法時，該模型將保留在加速器中，直到下一個模型執行。記憶體節省低於 enable_sequential_cpu_offload，但由於 unet 的迭代執行，效能要好得多。

enable_sequential_cpu_offload

( gpu_id: typing.Optional[int] = None device: typing.Union[torch.device, str] = None )

引數

gpu_id (int, optional) — 推理中應使用的加速器 ID。如果未指定，則預設為 0。
device (torch.Device 或 str, optional, 預設為 None) — 推理中應使用的加速器的 PyTorch 裝置型別。如果未指定，它將自動檢測可用的加速器並使用。

使用 🤗 Accelerate 將所有模型解除安裝到 CPU，顯著減少記憶體使用。呼叫時，所有 torch.nn.Module 元件的狀態字典（除了 self._exclude_from_cpu_offload 中的那些）都被儲存到 CPU，然後移動到 torch.device('meta')，並且只有在呼叫其特定子模組的 forward 方法時才載入到加速器。解除安裝發生在子模組基礎上。記憶體節省高於 enable_model_cpu_offload，但效能較低。

enable_xformers_memory_efficient_attention

( attention_op: typing.Optional[typing.Callable] = None )

引數

attention_op (Callable, optional) — 覆蓋預設的 None 運算子，用作 xFormers 的 memory_efficient_attention() 函式的 op 引數。

啟用來自 xFormers 的記憶體高效注意力。啟用此選項後，您將觀察到更低的 GPU 記憶體使用量和推理期間潛在的速度提升。訓練期間的速度提升不保證。

⚠️ 當記憶體高效注意力和切片注意力同時啟用時，記憶體高效注意力優先。

示例

>>> import torch
>>> from diffusers import DiffusionPipeline
>>> from xformers.ops import MemoryEfficientAttentionFlashAttentionOp

>>> pipe = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16)
>>> pipe = pipe.to("cuda")
>>> pipe.enable_xformers_memory_efficient_attention(attention_op=MemoryEfficientAttentionFlashAttentionOp)
>>> # Workaround for not accepting attention shape using VAE for Flash Attention
>>> pipe.vae.enable_xformers_memory_efficient_attention(attention_op=None)

from_pipe

( pipeline **kwargs ) → DiffusionPipeline

引數

pipeline (DiffusionPipeline) — 用於建立新管道的管道。

DiffusionPipeline

具有與 pipeline 相同權重和配置的新管道。

從給定管道建立新管道。此方法對於從現有管道元件建立新管道而無需重新分配額外記憶體很有用。

示例

>>> from diffusers import StableDiffusionPipeline, StableDiffusionSAGPipeline

>>> pipe = StableDiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5")
>>> new_pipe = StableDiffusionSAGPipeline.from_pipe(pipe)

from_pretrained

( pretrained_model_name_or_path: typing.Union[str, os.PathLike, NoneType] **kwargs )

引數

pretrained_model_name_or_path (str 或 os.PathLike, optional) — 可以是以下之一：
- 一個字串，預訓練管道的倉庫 ID（例如 CompVis/ldm-text2im-large-256），託管在 Hub 上。
- 一個目錄的路徑（例如 ./my_pipeline_directory/），其中包含使用 save_pretrained() 儲存的管道權重。
- 一個目錄的路徑（例如 ./my_pipeline_directory/），其中包含一個 dduf 檔案
torch_dtype (torch.dtype 或 dict[str, Union[str, torch.dtype]], optional) — 覆蓋預設的 torch.dtype 並使用其他 dtype 載入模型。要使用不同的 dtype 載入子模型，請傳遞一個 dict（例如 {'transformer': torch.bfloat16, 'vae': torch.float16}）。對於未指定的元件，使用 default 設定預設 dtype（例如 {'transformer': torch.bfloat16, 'default': torch.float16}）。如果未指定元件且未設定預設值，則使用 torch.float32。
custom_pipeline (str, optional) —

🧪 這是一個實驗性功能，未來可能會改變。

可以是以下之一：
- 一個字串，託管在 Hub 上的自定義管道的倉庫 ID（例如 hf-internal-testing/diffusers-dummy-pipeline）。該倉庫必須包含一個名為 pipeline.py 的檔案，用於定義自定義管道。
- 一個字串，託管在 GitHub 社群下的社群管道的檔名。有效的檔名必須與檔名匹配，而不是管道指令碼（clip_guided_stable_diffusion 而不是 clip_guided_stable_diffusion.py）。社群管道始終從 GitHub 的當前主分支載入。
- 一個目錄的路徑（./my_pipeline_directory/），其中包含自定義管道。該目錄必須包含一個名為 pipeline.py 的檔案，用於定義自定義管道。
有關如何載入和建立自定義管道的更多資訊，請參閱載入和新增自定義管道
force_download (bool, optional, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，如果存在快取版本則覆蓋。
cache_dir (Union[str, os.PathLike], optional) — 如果不使用標準快取，則下載的預訓練模型配置的快取目錄路徑。
proxies (Dict[str, str], optional) — 按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
output_loading_info(bool, optional, 預設為 False) — 是否同時返回包含缺失鍵、意外部索引鍵和錯誤訊息的字典。
local_files_only (bool, optional, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
token (str 或 bool, optional) — 用作遠端檔案 HTTP bearer 授權的令牌。如果為 True，則使用 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
revision (str, optional, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
custom_revision (str, optional) — 要使用的特定模型版本。它可以是分支名稱、標籤名稱或提交 ID，類似於從 Hub 載入自定義管道時的 revision。預設為最新的穩定 🤗 Diffusers 版本。
mirror (str, optional) — 用於解決在中國下載模型時可訪問性問題的映象源。我們不保證來源的及時性或安全性，您應參閱映象站點以獲取更多資訊。
device_map (str, optional) — 指導管道不同元件如何在可用裝置上放置的策略。目前，僅支援“balanced”device_map。請檢視此連結以瞭解更多資訊。
max_memory (Dict, optional) — 每個裝置最大記憶體的字典識別符號。如果未設定，將預設為每個 GPU 的最大可用記憶體和可用的 CPU RAM。
offload_folder (str 或 os.PathLike, optional) — 如果 device_map 包含值 "disk"，則解除安裝權重的路徑。
offload_state_dict (bool, optional) — 如果為 True，則暫時將 CPU 狀態字典解除安裝到硬碟驅動器，以避免在 CPU 狀態字典的權重 + 檢查點的最大分片不適合時耗盡 CPU RAM。當存在一些磁碟解除安裝時，預設為 True。
low_cpu_mem_usage (bool, optional, 如果 torch 版本 >= 1.9.0 則預設為 True，否則為 False) — 透過只加載預訓練權重而不初始化權重來加快模型載入。這還在載入模型時嘗試在 CPU 記憶體中（包括峰值記憶體）不超過 1 倍模型大小。僅支援 PyTorch >= 1.9.0。如果您使用的是舊版 PyTorch，將此引數設定為 True 將會引發錯誤。
use_safetensors (bool, optional,預設為 None) — 如果設定為 None，則在可用且安裝了 safetensors 庫的情況下下載 safetensors 權重。如果設定為 True，則強制從 safetensors 權重載入模型。如果設定為 False，則不載入 safetensors 權重。
use_onnx (bool, optional, 預設為 None) — 如果設定為 True，則如果存在 ONNX 權重，將始終下載。如果設定為 False，則永遠不會下載 ONNX 權重。預設情況下，use_onnx 預設為 _is_onnx 類屬性，對於非 ONNX 管道為 False，對於 ONNX 管道為 True。ONNX 權重包括以 .onnx 和 .pb 結尾的檔案。
kwargs (剩餘的關鍵字引數字典，可選) — 可用於覆蓋可載入和可儲存的變數（特定管道類的管道元件）。被覆蓋的元件直接傳遞給管道的 __init__ 方法。有關更多資訊，請參見下面的示例。
variant (str, optional) — 從指定的變體檔名（例如 "fp16" 或 "ema"）載入權重。從 from_flax 載入時忽略此項。
dduf_file(str, optional) — 從指定的 dduf 檔案載入權重。

從預訓練的管道權重例項化 PyTorch 擴散管道。

預設情況下，管道設定為評估模式（model.eval()）。

如果您收到以下錯誤訊息，則需要針對您的下游任務微調權重

Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match:
- conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated
You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.

要使用私有或封閉模型，請使用 huggingface-cli login 登入。

示例

>>> from diffusers import DiffusionPipeline

>>> # Download pipeline from huggingface.co and cache.
>>> pipeline = DiffusionPipeline.from_pretrained("CompVis/ldm-text2im-large-256")

>>> # Download pipeline that requires an authorization token
>>> # For more information on access tokens, please refer to this section
>>> # of the documentation](https://huggingface.co/docs/hub/security-tokens)
>>> pipeline = DiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5")

>>> # Use a different scheduler
>>> from diffusers import LMSDiscreteScheduler

>>> scheduler = LMSDiscreteScheduler.from_config(pipeline.scheduler.config)
>>> pipeline.scheduler = scheduler

maybe_free_model_hooks

( )

執行以下操作的方法：

解除安裝所有元件。
刪除在使用 enable_model_cpu_offload 時新增的所有模型鉤子，然後再次應用它們。如果模型尚未解除安裝，此函式將不執行任何操作。
如果使用 register_hook() 添加了去噪器元件的有狀態擴散器鉤子，則重置它們。

請務必將此函式新增到管道的 __call__ 函式末尾，以便在應用 enable_model_cpu_offload 時其功能正常。

numpy_to_pil

( images )

將 NumPy 影像或一批影像轉換為 PIL 影像。

remove_all_hooks

( )

移除在使用 enable_sequential_cpu_offload 或 enable_model_cpu_offload 時新增的所有鉤子。

reset_device_map

( )

重置裝置對映（如果有）為 None。

save_pretrained

( save_directory: typing.Union[str, os.PathLike] safe_serialization: bool = True variant: typing.Optional[str] = None max_shard_size: typing.Union[int, str, NoneType] = None push_to_hub: bool = False **kwargs )

引數

save_directory (str 或 os.PathLike) — 要儲存管道的目錄。如果不存在，將建立該目錄。
safe_serialization (bool, optional, 預設為 True) — 是否使用 safetensors 或傳統的 PyTorch pickle 方式儲存模型。
variant (str, optional) — 如果指定，權重將儲存為 pytorch_model.<variant>.bin 格式。
max_shard_size (int 或 str, 預設為 None) — 檢查點在分片前的最大大小。檢查點分片的大小將小於此大小。如果表示為字串，則需要數字後跟單位（如 "5GB"）。如果表示為整數，則單位為位元組。請注意，此限制將在一段時間後（從 2024 年 10 月開始）降低，以允許使用者升級到最新版本的 diffusers。這是為了在 Hugging Face 生態系統中的不同庫（例如 transformers 和 accelerate）之間為此引數建立一個共同的預設大小。
push_to_hub (bool, optional, 預設為 False) — 儲存模型後是否將其推送到 Hugging Face 模型中心。您可以使用 repo_id 指定要推送到的倉庫（將預設為您名稱空間中 save_directory 的名稱）。
kwargs (Dict[str, Any], optional) — 傳遞給 push_to_hub() 方法的其他關鍵字引數。

將管道的所有可儲存變數儲存到目錄。如果其類實現了儲存和載入方法，則管道變數可以儲存和載入。使用 from_pretrained() 類方法可以輕鬆重新載入管道。

diffusers.StableDiffusionMixin.enable_freeu

( s1: float s2: float b1: float b2: float )

引數

s1 (float) — 階段1的縮放因子，用於衰減跳躍特徵的貢獻。這樣做是為了減輕增強去噪過程中的“過度平滑效應”。
s2 (float) — 階段2的縮放因子，用於衰減跳躍特徵的貢獻。這樣做是為了減輕增強去噪過程中的“過度平滑效應”。
b1 (float) — 階段1的縮放因子，用於放大骨幹特徵的貢獻。
b2 (float) — 階段2的縮放因子，用於放大骨幹特徵的貢獻。

啟用FreeU機制，如https://huggingface.co/papers/2309.11497中所示。

縮放因子後面的字尾表示它們所應用的階段。

有關適用於不同管道（如Stable Diffusion v1、v2和Stable Diffusion XL）的已知有效值組合，請參閱官方儲存庫。

diffusers.StableDiffusionMixin.disable_freeu

( )

如果已啟用，則停用FreeU機制。

FlaxDiffusionPipeline

class diffusers.FlaxDiffusionPipeline

( )

Flax-based管道的基類。

FlaxDiffusionPipeline儲存了擴散管道的所有元件（模型、排程器和處理器），並提供了載入、下載和儲存模型的方法。它還包括以下方法：

啟用/停用去噪迭代的進度條

類屬性

config_name (str) — 儲存所有擴散管道元件的類名和模組名的配置檔名。

from_pretrained

( pretrained_model_name_or_path: typing.Union[str, os.PathLike, NoneType] **kwargs )

引數

pretrained_model_name_or_path (str 或 os.PathLike, 可選) — 可以是：
- 一個字串，託管在Hub上的預訓練管道的repo id（例如stable-diffusion-v1-5/stable-diffusion-v1-5）。
- 一個目錄的路徑（例如./my_model_directory），包含使用save_pretrained()儲存的模型權重。
dtype (jnp.dtype, 可選) — 覆蓋預設的jnp.dtype並以此dtype載入模型。
force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，如果已存在快取版本則覆蓋。
proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如，{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
output_loading_info(bool, 可選, 預設為 False) — 是否同時返回一個包含缺失鍵、意外部索引鍵和錯誤訊息的字典。
local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從Hub下載。
token (str 或 bool, 可選) — 用作遠端檔案HTTP bearer授權的token。如果為True，則使用diffusers-cli login生成的token（儲存在~/.huggingface中）。
revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交ID或Git允許的任何識別符號。
mirror (str, 可選) — 如果您在中國下載模型，為解決可訪問性問題而使用的映象源。我們不保證該源的及時性或安全性，您應參閱映象站點以獲取更多資訊。
kwargs (剩餘的關鍵字引數字典，可選) — 可用於覆蓋特定管道類的可載入和可儲存變數（管道元件）。被覆蓋的元件直接傳遞給管道的__init__方法。

從預訓練的管道權重例項化基於Flax的擴散管道。

預設情況下，管道設定為評估模式（`model.eval()），並且dropout模組被停用。

如果您收到以下錯誤訊息，則需要針對您的下游任務微調權重

Some weights of FlaxUNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match:

要使用私有或封閉模型，請使用 huggingface-cli login 登入。

示例

>>> from diffusers import FlaxDiffusionPipeline

>>> # Download pipeline from huggingface.co and cache.
>>> # Requires to be logged in to Hugging Face hub,
>>> # see more in [the documentation](https://huggingface.co/docs/hub/security-tokens)
>>> pipeline, params = FlaxDiffusionPipeline.from_pretrained(
...     "stable-diffusion-v1-5/stable-diffusion-v1-5",
...     variant="bf16",
...     dtype=jnp.bfloat16,
... )

>>> # Download pipeline, but use a different scheduler
>>> from diffusers import FlaxDPMSolverMultistepScheduler

>>> model_id = "stable-diffusion-v1-5/stable-diffusion-v1-5"
>>> dpmpp, dpmpp_state = FlaxDPMSolverMultistepScheduler.from_pretrained(
...     model_id,
...     subfolder="scheduler",
... )

>>> dpm_pipe, dpm_params = FlaxStableDiffusionPipeline.from_pretrained(
...     model_id, variant="bf16", dtype=jnp.bfloat16, scheduler=dpmpp
... )
>>> dpm_params["scheduler"] = dpmpp_state

numpy_to_pil

( images )

將 NumPy 影像或一批影像轉換為 PIL 影像。

save_pretrained

( save_directory: typing.Union[str, os.PathLike] params: typing.Union[typing.Dict, flax.core.frozen_dict.FrozenDict] push_to_hub: bool = False **kwargs )

引數

save_directory (str 或 os.PathLike) — 要儲存到的目錄。如果不存在，將建立該目錄。
push_to_hub (bool, 可選, 預設為 False) — 是否在儲存模型後將其推送到Hugging Face模型中心。您可以使用repo_id指定要推送到的倉庫（預設為您名稱空間中的save_directory名稱）。
kwargs (Dict[str, Any], 可選) — 傳遞給push_to_hub()方法的其他關鍵字引數。

將管道的所有可儲存變數儲存到目錄中。如果其類同時實現了儲存和載入方法，則可以儲存和載入管道變數。使用from_pretrained()類方法可以輕鬆重新載入管道。

PushToHubMixin

class diffusers.utils.PushToHubMixin

( )

用於將模型、排程器或管道推送到Hugging Face Hub的Mixin。

push_to_hub