Diffusers 文件
EulerAncestralDiscreteScheduler
並獲得增強的文件體驗
開始使用
EulerAncestralDiscreteScheduler
一種使用祖先採樣和尤拉方法步長的排程器。這是一個快速排程器，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。
EulerAncestralDiscreteScheduler
class diffusers.EulerAncestralDiscreteScheduler
< 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 prediction_type: str = 'epsilon' timestep_spacing: str = 'linspace' steps_offset: int = 0 rescale_betas_zero_snr: bool = False )
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，用於將 beta 範圍對映到模型步進的 beta 序列。可選擇linear或scaled_linear。 - trained_betas (
np.ndarray, 可選) — 直接向建構函式傳遞 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）。 - timestep_spacing (
str, 預設為"linspace") — 時間步長的縮放方式。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) — 新增到推理步數的偏移量，某些模型系列需要此偏移量。 - rescale_betas_zero_snr (
bool, 預設為False) — 是否將 beta 值重新縮放為零終端信噪比 (SNR)。這使得模型能夠生成非常明亮和非常暗的樣本，而不是將其限制為中等亮度的樣本。與--offset_noise有鬆散的關聯。
採用尤拉方法步長的祖先採樣。
此模型繼承自 SchedulerMixin 和 ConfigMixin。請檢視超類文件，瞭解庫為所有排程器（例如載入和儲存）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 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: typing.Union[float, torch.Tensor] sample: Tensor generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → EulerAncestralDiscreteSchedulerOutput 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的當前例項。 - generator (
torch.Generator, 可選) — 隨機數生成器。 - return_dict (
bool) — 是否返回 EulerAncestralDiscreteSchedulerOutput 或元組。
返回
如果 return_dict 為 True，則返回 EulerAncestralDiscreteSchedulerOutput，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。
EulerAncestralDiscreteSchedulerOutput
class diffusers.schedulers.scheduling_euler_ancestral_discrete.EulerAncestralDiscreteSchedulerOutput
< source >( prev_sample: Tensor pred_original_sample: typing.Optional[torch.Tensor] = None )
排程器 step 函式輸出的輸出類。