Diffusers 文件
DPMSolverSDEScheduler
並獲得增強的文件體驗
開始使用
DPMSolverSDEScheduler
DPMSolverSDEScheduler 的靈感來自 Elucidating the Design Space of Diffusion-Based Generative Models 論文中的隨機取樣器，該排程器由 Katherine Crowson 移植和建立。
DPMSolverSDEScheduler
class diffusers.DPMSolverSDEScheduler
< 來源 >( 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 prediction_type: str = 'epsilon' use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False noise_sampler_seed: typing.Optional[int] = None timestep_spacing: str = 'linspace' steps_offset: int = 0 )
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 0.00085) — 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 範圍對映到用於模型步進的 beta 序列的對映。可選擇linear或scaled_linear。 - trained_betas (
np.ndarray, 可選) — 直接向建構函式傳入一個 betas 陣列以繞過beta_start和beta_end。 - 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）。 - use_karras_sigmas (
bool, 可選, 預設為False) — 在取樣過程中是否在噪聲排程中使用 Karras sigma 作為步長。如果為True，則 sigma 根據噪聲水平序列 {σi} 確定。 - use_exponential_sigmas (
bool, 可選, 預設為False) — 在取樣過程中是否在噪聲排程中使用指數 sigma 作為步長。 - use_beta_sigmas (
bool, 可選, 預設為False) — 在取樣過程中是否在噪聲排程中使用 beta sigma 作為步長。更多資訊請參考 Beta Sampling is All You Need。 - noise_sampler_seed (
int, 可選, 預設為None) — 用於噪聲取樣器的隨機種子。如果為None，則生成一個隨機種子。 - timestep_spacing (
str, 預設為"linspace") — 時間步的縮放方式。更多資訊請參考 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。 - steps_offset (
int, 預設為 0) — 新增到推理步驟的偏移量，某些模型系列需要。
DPMSolverSDEScheduler 實現了 Elucidating the Design Space of Diffusion-Based Generative Models 論文中的隨機取樣器。
該模型繼承自 SchedulerMixin 和 ConfigMixin。檢視超類文件以瞭解庫為所有排程器（例如載入和儲存）實現的一般方法。
scale_model_input
< 來源 >( 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
< 來源 >( 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
< 來源 >( model_output: typing.Union[torch.Tensor, numpy.ndarray] timestep: typing.Union[float, torch.Tensor] sample: typing.Union[torch.Tensor, numpy.ndarray] return_dict: bool = True s_noise: float = 1.0 ) → DPMSolverSDESchedulerOutput 或 tuple
引數
- model_output (
torch.Tensor或np.ndarray) — 從學習到的擴散模型直接輸出。 - timestep (
float或torch.Tensor) — 擴散鏈中的當前離散時間步。 - sample (
torch.Tensor或np.ndarray) — 擴散過程建立的當前樣本例項。 - return_dict (
bool) — 是否返回DPMSolverSDESchedulerOutput或元組。 - s_noise (
float, 可選, 預設為 1.0) — 新增到樣本的噪聲縮放因子。
返回
DPMSolverSDESchedulerOutput 或 tuple
如果 return_dict 為 True，則返回 DPMSolverSDESchedulerOutput，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
< 來源 >( prev_sample: Tensor )
排程器 step 函式輸出的基類。