Diffusers 文件
DPMSolverSinglestepScheduler
並獲得增強的文件體驗
開始使用
DPMSolverSinglestepScheduler
DPMSolverSinglestepScheduler 是一個單步排程器，來自 Cheng Lu、Yuhao Zhou、Fan Bao、Jianfei Chen、Chongxuan Li 和 Jun Zhu 的論文 DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps 和 DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models。
DPMSolver（及其改進版本 DPMSolver++）是一個快速的專用高階求解器，用於求解擴散 ODE，並提供收斂階保證。根據經驗，DPMSolver 只需 20 步取樣即可生成高質量樣本，甚至 10 步也能生成相當不錯的樣本。
原始實現可在 LuChengTHU/dpm-solver 找到。
提示
建議將 solver_order 設定為 2 用於引導取樣，將 solver_order 設定為 3 用於無條件取樣。
支援來自 Imagen 的動態閾值處理，對於畫素空間擴散模型，您可以同時設定 algorithm_type="dpmsolver++" 和 thresholding=True 以使用動態閾值處理。此閾值處理方法不適用於潛在空間擴散模型，例如 Stable Diffusion。
DPMSolverSinglestepScheduler
class diffusers.DPMSolverSinglestepScheduler
< 來源 >( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' trained_betas: typing.Optional[numpy.ndarray] = None solver_order: int = 2 prediction_type: str = 'epsilon' thresholding: bool = False dynamic_thresholding_ratio: float = 0.995 sample_max_value: float = 1.0 algorithm_type: str = 'dpmsolver++' solver_type: str = 'midpoint' lower_order_final: bool = False use_karras_sigmas: typing.Optional[bool] = False use_exponential_sigmas: typing.Optional[bool] = False use_beta_sigmas: typing.Optional[bool] = False use_flow_sigmas: typing.Optional[bool] = False flow_shift: typing.Optional[float] = 1.0 final_sigmas_type: typing.Optional[str] = 'zero' lambda_min_clipped: float = -inf variance_type: typing.Optional[str] = None )
引數
- num_train_timesteps (
int, 預設為 1000) — 用於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、scaled_linear或squaredcos_cap_v2。 - trained_betas (
np.ndarray, 可選) — 直接將 betas 陣列傳遞給建構函式以繞過beta_start和beta_end。 - solver_order (
int, 預設為 2) — DPMSolver 的階數，可以是1、2或3。建議在引導取樣時使用solver_order=2，在無條件取樣時使用solver_order=3。 - 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）。 - thresholding (
bool, 預設為False) — 是否使用“動態閾值處理”方法。此方法不適用於潛在空間擴散模型，例如 Stable Diffusion。 - dynamic_thresholding_ratio (
float, 預設為 0.995) — 動態閾值處理方法的比率。僅在thresholding=True時有效。 - sample_max_value (
float, 預設為 1.0) — 動態閾值處理的閾值。僅在thresholding=True和algorithm_type="dpmsolver++"時有效。 - algorithm_type (
str, 預設為dpmsolver++) — 求解器的演算法型別；可以是dpmsolver、dpmsolver++或sde-dpmsolver++。dpmsolver型別實現了 DPMSolver 論文中的演算法，dpmsolver++型別實現了 DPMSolver++ 論文中的演算法。建議在引導取樣（如 Stable Diffusion）中使用dpmsolver++或sde-dpmsolver++，並設定solver_order=2。 - solver_type (
str, 預設為midpoint) — 二階求解器的求解器型別；可以是midpoint或heun。求解器型別會稍微影響樣本質量，特別是對於少量步數。建議使用midpoint求解器。 - lower_order_final (
bool, 預設為True) — 是否在最後幾步中使用低階求解器。僅適用於小於 15 個推理步數。這可以穩定 DPMSolver 在小於 15 步（特別是小於等於 10 步）時的取樣。 - use_karras_sigmas (
bool, 可選, 預設為False) — 是否在取樣過程中使用 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) — 是否在取樣過程中使用指數 sigmas 作為噪聲排程中的步長。 - use_beta_sigmas (
bool, 可選, 預設為False) — 是否在取樣過程中使用 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。 - final_sigmas_type (
str, 可選, 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。 - lambda_min_clipped (
float, 預設為-inf) — 用於數值穩定性的lambda(t)最小值剪下閾值。這對於餘弦 (squaredcos_cap_v2) 噪聲排程至關重要。 - variance_type (
str, 可選) — 對於預測方差的擴散模型，設定為“learned”或“learned_range”。如果設定，模型的輸出包含預測的高斯方差。
DPMSolverSinglestepScheduler 是一個快速的專用高階擴散 ODE 求解器。
此模型繼承自 SchedulerMixin 和 ConfigMixin。檢視超類文件，瞭解庫為所有排程器實現的通用方法（例如載入和儲存）。
convert_model_output
< 來源 >( model_output: Tensor *args sample: Tensor = None **kwargs ) → torch.Tensor
將模型輸出轉換為 DPMSolver/DPMSolver++ 演算法所需的相應型別。DPM-Solver 旨在離散化噪聲預測模型的積分，而 DPM-Solver++ 旨在離散化資料預測模型的積分。
演算法和模型型別是解耦的。噪聲預測模型和資料預測模型都可以使用DPMSolver或DPMSolver++。
dpm_solver_first_order_update
< 來源 >( model_output: Tensor *args sample: Tensor = None noise: typing.Optional[torch.Tensor] = None **kwargs ) → torch.Tensor
一階DPMSolver（等同於DDIM）的一個步驟。
get_order_list
< source >( num_inference_steps: int )
計算每個時間步的求解器階數。
scale_model_input
< source >( sample: Tensor *args **kwargs ) → 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
< source >( num_inference_steps: int = None device: typing.Union[str, torch.device] = None timesteps: typing.Optional[typing.List[int]] = None )
設定用於擴散鏈的離散時間步（在推理之前執行）。
singlestep_dpm_solver_second_order_update
< source >( model_output_list: typing.List[torch.Tensor] *args sample: Tensor = None noise: typing.Optional[torch.Tensor] = None **kwargs ) → torch.Tensor
用於計算從時間 timestep_list[-2] 到時間 prev_timestep 的解的二階單步 DPMSolver 的一步。
singlestep_dpm_solver_third_order_update
< source >( model_output_list: typing.List[torch.Tensor] *args sample: Tensor = None noise: typing.Optional[torch.Tensor] = None **kwargs ) → torch.Tensor
用於計算從時間 timestep_list[-3] 到時間 prev_timestep 的解的三階單步 DPMSolver 的一步。
singlestep_dpm_solver_update
< source >( model_output_list: typing.List[torch.Tensor] *args sample: Tensor = None order: int = None noise: typing.Optional[torch.Tensor] = None **kwargs ) → torch.Tensor
單步 DPMSolver 的一步。
步驟
< source >( model_output: Tensor timestep: typing.Union[int, torch.Tensor] sample: Tensor generator = None return_dict: bool = True ) → SchedulerOutput 或 tuple
引數
- model_output (
torch.Tensor) — 從學習到的擴散模型直接輸出。 - timestep (
int) — 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。 - return_dict (
bool) — 是否返回 SchedulerOutput 或tuple。
返回
排程器輸出 或 tuple
如果 `return_dict` 為 `True`，則返回 SchedulerOutput，否則返回一個元組，其中第一個元素是樣本張量。
透過反轉 SDE 預測前一個時間步的樣本。此函式使用單步 DPMSolver 傳播樣本。
SchedulerOutput
class diffusers.schedulers.scheduling_utils.SchedulerOutput
< source >( prev_sample: Tensor )
排程器 step 函式輸出的基類。