Diffusers 文件
KDPM2AncestralDiscreteScheduler
並獲得增強的文件體驗
開始使用
KDPM2AncestralDiscreteScheduler
KDPM2DiscreteScheduler 採用祖先採樣，靈感來自於 Elucidating the Design Space of Diffusion-Based Generative Models 論文，該排程器由 Katherine Crowson 移植並建立。
原始程式碼庫可在 crowsonkb/k-diffusion 找到。
KDPM2AncestralDiscreteScheduler
class diffusers.KDPM2AncestralDiscreteScheduler
< source 源 >( num_train_timesteps: int = 1000 beta_start: float = 0.00085 beta_end: float = 0.012 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 )
引數
- num_train_timesteps (
int, 預設為 1000) — 用於訓練模型的擴散步數。 - beta_start (
float, 預設為 0.00085) — 推理的起始beta值。 - beta_end (
float, 預設為 0.012) — 最終beta值。 - beta_schedule (
str, 預設為"linear") — beta 排程器，一個將 beta 範圍對映到模型步進的一系列 beta 值的對映。可選擇linear或scaled_linear。 - trained_betas (
np.ndarray, 可選) — 直接向建構函式傳遞一個 beta 陣列，以繞過beta_start和beta_end。 - use_karras_sigmas (
bool, 可選, 預設為False) — 在取樣過程中，是否使用 Karras sigmas 作為噪聲排程器中的步長。如果為True，則 sigmas 根據一系列噪聲水平 {σi} 確定。 - use_exponential_sigmas (
bool, 可選, 預設為False) — 在取樣過程中，是否使用指數 sigmas 作為噪聲排程器中的步長。 - use_beta_sigmas (
bool, 可選, 預設為False) — 在取樣過程中，是否使用 beta sigmas 作為噪聲排程器中的步長。更多資訊請參閱 Beta Sampling is All You Need。 - prediction_type (
str, 預設為epsilon, 可選) — 排程器函式的預測型別；可以是epsilon(預測擴散過程中的噪聲),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"linspace") — 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。 - steps_offset (
int, 預設為 0) — 新增到推理步數的偏移量，某些模型家族需要此偏移量。
KDPM2AncestralDiscreteScheduler 採用祖先採樣，靈感來自 DPMSolver2 和 Elucidating the Design Space of Diffusion-Based Generative Models 論文中的演算法 2。
該模型繼承自 SchedulerMixin 和 ConfigMixin。有關庫為所有排程器實現的通用方法（例如載入和儲存）的詳細資訊，請查閱超類文件。
scale_model_input
< source 源 >( sample: Tensor timestep: typing.Union[float, torch.Tensor] ) → 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。
設定排程器的起始索引。此函式應在推理之前從管道中執行。
set_timesteps
< source 源 >( num_inference_steps: int device: typing.Union[str, torch.device] = None num_train_timesteps: typing.Optional[int] = None )
設定用於擴散鏈的離散時間步（在推理之前執行）。
步驟
< source 源 >( model_output: typing.Union[torch.Tensor, numpy.ndarray] timestep: typing.Union[float, torch.Tensor] sample: typing.Union[torch.Tensor, numpy.ndarray] generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → KDPM2AncestralDiscreteSchedulerOutput 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) — 擴散過程建立的當前樣本例項。 - generator (
torch.Generator, 可選) — 隨機數生成器。 - return_dict (
bool) — 是否返回KDPM2AncestralDiscreteSchedulerOutput或元組。
返回
KDPM2AncestralDiscreteSchedulerOutput 或 tuple
如果 return_dict 為 True，則返回 KDPM2AncestralDiscreteSchedulerOutput，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。
SchedulerOutput
class diffusers.schedulers.scheduling_utils.SchedulerOutput
< source 源 >( prev_sample: Tensor )
排程器 step 函式輸出的基類。