Diffusers 文件
DDIMInverseScheduler
並獲得增強的文件體驗
開始使用
DDIMInverseScheduler
DDIMInverseScheduler 是 Jiaming Song, Chenlin Meng 和 Stefano Ermon 的 去噪擴散隱式模型 (DDIM) 中反轉的排程器。該實現主要基於 使用引導擴散模型編輯真實影像的空文字反轉 中的 DDIM 反轉定義。
DDIMInverseScheduler
class diffusers.DDIMInverseScheduler
< source >( 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 clip_sample: bool = True set_alpha_to_one: bool = True steps_offset: int = 0 prediction_type: str = 'epsilon' clip_sample_range: float = 1.0 timestep_spacing: str = 'leading' rescale_betas_zero_snr: bool = False **kwargs )
引數
- num_train_timesteps (
int, 預設為 1000) — 訓練模型的擴散步數。 - beta_start (
float, 預設為 0.0001) — 推理的起始beta值。 - beta_end (
float, 預設為 0.02) — 最終beta值。 - beta_schedule (
str, 預設為"linear") — beta 排程，一個將 beta 範圍對映到用於模型步進的 beta 序列。可選擇linear、scaled_linear或squaredcos_cap_v2。 - trained_betas (
np.ndarray, 可選) — 直接向建構函式傳入一個 beta 陣列，以繞過beta_start和beta_end。 - clip_sample (
bool, 預設為True) — 裁剪預測樣本以保持數值穩定性。 - clip_sample_range (
float, 預設為 1.0) — 樣本裁剪的最大幅度。僅當clip_sample=True時有效。 - set_alpha_to_one (
bool, 預設為True) — 每個擴散步驟使用該步驟和前一步的 alpha 乘積值。對於最後一步，沒有前一個 alpha。當此選項為True時，前一個 alpha 乘積固定為 0，否則它使用步驟num_train_timesteps - 1處的 alpha 值。 - steps_offset (
int, 預設為 0) — 推理步數中新增的偏移量，某些模型系列需要。 - prediction_type (
str, 預設為epsilon, 可選) — 排程器函式的預測型別；可以是epsilon(預測擴散過程的噪聲)、sample(直接預測噪聲樣本) 或v_prediction(參見 Imagen Video 論文的 2.4 節)。 - timestep_spacing (
str, 預設為"leading") — 時間步長的縮放方式。更多資訊請參閱 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。 - rescale_betas_zero_snr (
bool, 預設為False) — 是否重新縮放 betas 以使終端信噪比為零。這使得模型能夠生成非常亮和非常暗的樣本，而不是將其限制在亮度中等的樣本中。與--offset_noise鬆散相關。
DDIMInverseScheduler 是 DDIMScheduler 的反向排程器。
該模型繼承自 SchedulerMixin 和 ConfigMixin。請檢視超類文件，瞭解庫為所有排程器實現的通用方法，例如載入和儲存。
scale_model_input
< source >( sample: Tensor timestep: typing.Optional[int] = None ) → torch.Tensor
確保與需要根據當前時間步縮放去噪模型輸入的排程器互換使用。
set_timesteps
< source >( num_inference_steps: int device: typing.Union[str, torch.device] = None )
設定用於擴散鏈的離散時間步（在推理之前執行）。
步驟
< source >( model_output: Tensor timestep: int sample: Tensor return_dict: bool = True ) → ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput 或 tuple
引數
- model_output (
torch.Tensor) — 從學習到的擴散模型直接輸出。 - timestep (
float) — 擴散鏈中的當前離散時間步。 - sample (
torch.Tensor) — 擴散過程建立的樣本當前例項。 - eta (
float) — 擴散步驟中新增噪聲的權重。 - use_clipped_model_output (
bool, 預設為False) — 如果為True，則從裁剪後的預測原始樣本計算“校正”的model_output。這是必要的，因為當self.config.clip_sample為True時，預測的原始樣本被裁剪到 [-1, 1]。如果沒有發生裁剪，“校正”的model_output將與作為輸入提供的model_output一致，並且use_clipped_model_output不起作用。 - variance_noise (
torch.Tensor) — 除了透過generator生成噪聲外，直接提供方差本身的噪聲。對於CycleDiffusion等方法很有用。 - return_dict (
bool, 可選, 預設為True) — 是否返回~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput或tuple。
返回
~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput 或 tuple
如果 return_dict 為 True，則返回 ~schedulers.scheduling_ddim_inverse.DDIMInverseSchedulerOutput，否則返回一個元組，其中第一個元素是樣本張量。
透過逆轉 SDE 預測前一個時間步的樣本。此函式從學習到的模型輸出（通常是預測的噪聲）傳播擴散過程。