Diffusers 文件
EDMEulerScheduler
並獲得增強的文件體驗
開始使用
EDMEulerScheduler
Karras 等人的論文《闡明基於擴散的生成模型的設計空間》中提出的 Euler 排程器（演算法 2）的 Karras 公式。這是一種快速排程器，通常可以在 20-30 步內生成良好的輸出。該排程器基於 Katherine Crowson 的原始 k-擴散 實現。
EDMEulerScheduler
class diffusers.EDMEulerScheduler
< source >( sigma_min: float = 0.002 sigma_max: float = 80.0 sigma_data: float = 0.5 sigma_schedule: str = 'karras' num_train_timesteps: int = 1000 prediction_type: str = 'epsilon' rho: float = 7.0 final_sigmas_type: str = 'zero' )
引數
- sigma_min (
float, 可選, 預設為 0.002) — sigma 排程中的最小噪聲幅度。在 EDM 論文 [1] 中設定為 0.002；合理範圍是 [0, 10]。 - sigma_max (
float, 可選, 預設為 80.0) — sigma 排程中的最大噪聲幅度。在 EDM 論文 [1] 中設定為 80.0；合理範圍是 [0.2, 80.0]。 - sigma_data (
float, 可選, 預設為 0.5) — 資料分佈的標準差。在 EDM 論文 [1] 中設定為 0.5。 - sigma_schedule (
str, 可選, 預設為karras) — 用於計算sigmas的 Sigma 排程。預設情況下，我們使用 EDM 論文 (https://huggingface.co/papers/2206.00364) 中引入的排程。其他可接受的值是“exponential”。指數排程已在此模型中整合：https://huggingface.co/stabilityai/cosxl。 - num_train_timesteps (
int, 預設為 1000) — 用於訓練模型的擴散步數。 - prediction_type (
str, 預設為epsilon, 可選) — 排程函式中的預測型別；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)。 - rho (
float, 可選, 預設為 7.0) — 用於計算 Karras sigma 排程的 rho 引數，在 EDM 論文 [1] 中設定為 7.0。 - final_sigmas_type (
str, 預設為"zero") — 取樣過程中噪聲排程的最終sigma值。如果為"sigma_min"，則最終 sigma 與訓練排程中的最後一個 sigma 相同。如果為zero，則最終 sigma 設定為 0。
實現了 Karras 等人於 2022 年 [1] 提出的 EDM 公式中的 Euler 排程器。
[1] Karras, Tero, et al. “闡明基於擴散的生成模型的設計空間。” https://huggingface.co/papers/2206.00364
此模型繼承自 SchedulerMixin 和 ConfigMixin。檢視超類文件以瞭解庫為所有排程器（如載入和儲存）實現的通用方法。
scale_model_input
< source >( 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可互換。透過 (sigma**2 + 1) ** 0.5 縮放去噪模型輸入以匹配尤拉演算法。
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 >( num_inference_steps: int = None device: typing.Union[str, torch.device] = None sigmas: typing.Union[torch.Tensor, typing.List[float], NoneType] = 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: typing.Union[float, torch.Tensor] sample: Tensor s_churn: float = 0.0 s_tmin: float = 0.0 s_tmax: float = inf s_noise: float = 1.0 generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True pred_original_sample: typing.Optional[torch.Tensor] = None ) → ~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput 或 tuple
引數
- model_output (
torch.Tensor) — 從學習型擴散模型直接輸出。 - timestep (
float) — 擴散鏈中的當前離散時間步。 - sample (
torch.Tensor) — 由擴散過程建立的樣本的當前例項。 - s_churn (
float) — - s_tmin (
float) — - s_tmax (
float) — - s_noise (
float, 預設為 1.0) — 新增到樣本中的噪聲的縮放因子。 - generator (
torch.Generator, 可選) — 隨機數生成器。 - return_dict (
bool) — 是否返回~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput或元組。
返回
~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput 或 tuple
如果 return_dict 為 True，則返回 ~schedulers.scheduling_euler_discrete.EDMEulerSchedulerOutput，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。
EDMEulerSchedulerOutput
class diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput
< source >( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )
排程器 step 函式輸出的輸出類。