Diffusers 文件
Heun離散排程器
並獲得增強的文件體驗
開始使用
HeunDiscreteScheduler
Heun 排程器（演算法 1）來自 Karras 等人的 Elucidating the Design Space of Diffusion-Based Generative Models 論文。該排程器移植自 k-diffusion 庫，由 Katherine Crowson 建立。
HeunDiscreteScheduler
class diffusers.HeunDiscreteScheduler
< 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 clip_sample: typing.Optional[bool] = False clip_sample_range: float = 1.0 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 0.0001) — 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，將 beta 範圍對映到用於模型步進的 beta 序列。可選擇linear或scaled_linear。 - trained_betas (
np.ndarray, 可選) — 直接將 beta 陣列傳遞給建構函式以繞過beta_start和beta_end。 - prediction_type (
str, 預設為epsilon, 可選) — 排程函式預測型別；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)。 - clip_sample (
bool, 預設為True) — 為數值穩定性裁剪預測樣本。 - clip_sample_range (
float, 預設為 1.0) — 樣本裁剪的最大幅度。僅當clip_sample=True時有效。 - 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，sigmas 將根據噪聲水平序列 {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 sigmas 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 sigmas 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) — 新增到推理步數的偏移量，某些模型系列需要。
帶有 Heun 步的離散 beta 排程器。
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）實現的通用方法。
scale_model_input
< 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
< 源 >( num_inference_steps: typing.Optional[int] = None device: typing.Union[str, torch.device] = None num_train_timesteps: typing.Optional[int] = None timesteps: typing.Optional[typing.List[int]] = 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，時間步長不會移動。 - num_train_timesteps (
int, 可選) — 訓練模型時使用的擴散步數。如果為None，則使用預設的num_train_timesteps屬性。 - timesteps (
List[int], 可選) — 用於支援時間步長之間任意間距的自定義時間步長。如果為None，則時間步長將根據timestep_spacing屬性生成。如果傳遞timesteps，則num_inference_steps必須為None，並且將忽略timestep_spacing屬性。
設定用於擴散鏈的離散時間步（在推理之前執行）。
步驟
< 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 ) → HeunDiscreteSchedulerOutput 或 tuple
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: 張量 )
排程器 step 函式輸出的基類。