Diffusers

加入 Hugging Face 社群

並獲得增強的文件體驗

在模型、資料集和 Spaces 上進行協作

透過加速推理獲得更快的示例

切換文件主題

開始使用

EulerDiscreteScheduler

Euler 排程器（演算法 2）來自 Karras 等人的 Elucidating the Design Space of Diffusion-Based Generative Models 論文。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-diffusion 實現。

EulerDiscreteScheduler

class diffusers.EulerDiscreteScheduler

< 來源 >

( 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 prediction_type: str = 'epsilon' interpolation_type: str = 'linear' use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False sigma_min: typing.Optional[float] = None sigma_max: typing.Optional[float] = None timestep_spacing: str = 'linspace' timestep_type: str = 'discrete' steps_offset: int = 0 rescale_betas_zero_snr: bool = False final_sigmas_type: str = 'zero' )

引數

num_train_timesteps (int, 預設為 1000) — 訓練模型所需的擴散步數。
beta_start (float, 預設為 0.0001) — 推理的起始 beta 值。
beta_end (float, 預設為 0.02) — 最終的 beta 值。
beta_schedule (str, 預設為 "linear") — beta 排程，一個將 beta 範圍對映到模型步進 beta 序列的對映。可選擇 linear 或 scaled_linear。
trained_betas (np.ndarray, 可選) — 直接向建構函式傳遞一個 beta 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）。
interpolation_type(str, 預設為 "linear", 可選) — 用於計算排程器去噪步驟中間 sigma 的插值型別。應為 "linear" 或 "log_linear" 之一。
use_karras_sigmas (bool, 可選, 預設為 False) — 在取樣過程中，是否使用 Karras sigmas 作為噪聲排程中的步長。如果為 True，則 sigma 值根據噪聲水平序列 {σi} 確定。
use_exponential_sigmas (bool, 可選, 預設為 False) — 在取樣過程中，是否使用指數 sigma 作為噪聲排程中的步長。
use_beta_sigmas (bool, 可選, 預設為 False) — 在取樣過程中，是否使用 beta sigma 作為噪聲排程中的步長。有關更多資訊，請參閱 Beta Sampling is All You Need。
timestep_spacing (str, 預設為 "linspace") — 時間步長的縮放方式。有關更多資訊，請參閱 Common Diffusion Noise Schedules and Sample Steps are Flawed 的表 2。
steps_offset (int, 預設為 0) — 根據某些模型族的要求，新增到推理步驟的偏移量。
rescale_betas_zero_snr (bool, 預設為 False) — 是否重新調整 beta 值以使終端 SNR 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適中的樣本。與 --offset_noise 有鬆散的關聯。
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。

尤拉排程器。

此模型繼承自 SchedulerMixin 和 ConfigMixin。有關庫為所有排程器實現的通用方法（如載入和儲存），請檢視超類文件。

scale_model_input

< 來源 >

( sample: Tensor timestep: typing.Union[float, torch.Tensor] ) → torch.Tensor

引數

sample (torch.Tensor) — 輸入樣本。
timestep (int, 可選) — 擴散鏈中的當前時間步。

torch.Tensor

一個縮放後的輸入樣本。

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。

set_begin_index

< 來源 >

( begin_index: int = 0 )

引數

begin_index (int) — 排程器的起始索引。

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 = None device: typing.Union[str, torch.device] = None timesteps: typing.Optional[typing.List[int]] = None sigmas: typing.Optional[typing.List[float]] = None )

引數

num_inference_steps (int) — 使用預訓練模型生成樣本時使用的擴散步數。
device (str 或 torch.device, 可選) — 時間步長應移動到的裝置。如果為 None，則時間步長不移動。
timesteps (List[int], 可選) — 用於支援任意時間步長排程的自定義時間步長。如果為 None，則時間步長將根據 timestep_spacing 屬性生成。如果傳遞了 timesteps，則 num_inference_steps 和 sigmas 必須為 None，並且 timestep_spacing 屬性將被忽略。
sigmas (List[float], 可選) — 用於支援任意時間步長排程的自定義 sigma。如果為 None，則時間步長和 sigma 將根據相關的排程器屬性生成。如果傳遞了 sigmas，則 num_inference_steps 和 timesteps 必須為 None，並且時間步長將根據自定義 sigma 排程生成。

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: 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 ) → EulerDiscreteSchedulerOutput 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) — 由擴散過程建立的當前樣本例項。
s_churn (float) —
s_tmin (float) —
s_tmax (float) —
s_noise (float, 預設為 1.0) — 新增到樣本的噪聲縮放因子。
generator (torch.Generator, 可選) — 隨機數生成器。
return_dict (bool) — 是否返回 EulerDiscreteSchedulerOutput 或元組。

EulerDiscreteSchedulerOutput 或 tuple

如果 return_dict 為 True，則返回 EulerDiscreteSchedulerOutput，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。

EulerDiscreteSchedulerOutput

class diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput

< source >

( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )

引數

prev_sample (形狀為圖片 (batch_size, num_channels, height, width) 的 torch.Tensor) — 上一個時間步計算的樣本 (x_{t-1})。prev_sample 應用作去噪迴圈中的下一個模型輸入。
pred_original_sample (形狀為圖片 (batch_size, num_channels, height, width) 的 torch.Tensor) — 基於當前時間步的模型輸出預測的去噪樣本 (x_{0})。pred_original_sample 可用於預覽進度或用於指導。

排程器 step 函式輸出的輸出類。

< > 在 GitHub 上更新

←EulerAncestralDiscreteScheduler FlowMatchEulerDiscreteScheduler→