Hugging Face's logo

Diffusers documentation

ConsistencyDecoderScheduler

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.42.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

ConsistencyDecoderScheduler

Этот планировщик является частью ConsistencyDecoderPipeline и был представлен в DALL-E 3.

Исходный код можно найти в openai/consistency_models.

ConsistencyDecoderScheduler

класс diffusers.schedulers.ConsistencyDecoderScheduler

< >

( num_train_timesteps: int = 1024sigma_data: float = 0.5 )

Параметры

  • num_train_timesteps (int, необязательный, по умолчанию 1024) — Количество шагов диффузии для обучения модели.
  • sigma_data (float, необязательный, по умолчанию 0.5) — Стандартное отклонение распределения данных. Используется для вычисления коэффициентов масштабирования пропуска и вывода.

Планировщик для согласованного декодера, используемого в конвейерах Stable Diffusion.

Этот планировщик реализует двухэтапный процесс денуазинга с использованием моделей согласованности для декодирования латентных представлений в изображения.

Эта модель наследуется от SchedulerMixin и ConfigMixin. Общую документацию по методам, которые библиотека реализует для всех планировщиков (например, загрузка и сохранение), см. в документации суперкласса.

scale_model_input

< >

( sample: Tensortimestep: int | None = None ) → torch.Tensor

Параметры

  • sample (torch.Tensor) — Входной образец.
  • timestep (int, необязательный) — Текущий шаг в цепочке диффузии.

Возвращает

torch.Tensor

Масштабированный входной образец.

Обеспечивает совместимость с планировщиками, которым необходимо масштабировать входную модель денуазинга в зависимости от текущего шага.

шаг

< >

( model_output: Tensortimestep: typing.Union[float, torch.Tensor]sample: Tensorgenerator: typing.Optional[torch.Generator] = Nonereturn_dict: bool = True ) → ConsistencyDecoderSchedulerOutput or tuple

Параметры

  • model_output (torch.Tensor) — Прямой вывод из обученной диффузионной модели.
  • timestep (float или torch.Tensor) — Текущий шаг в цепочке диффузии.
  • sample (torch.Tensor) — Текущий экземпляр сэмпла, созданный процессом диффузии.
  • generator (torch.Generator, необязательный) — Генератор случайных чисел для воспроизводимости.
  • return_dict (bool, необязательный, по умолчанию True) — Определяет, возвращать ли объект ConsistencyDecoderSchedulerOutput или tuple.

Возвращает

ConsistencyDecoderSchedulerOutput или tuple

Если return_dict равно True, возвращается ConsistencyDecoderSchedulerOutput, в противном случае возвращается кортеж, первым элементом которого является тензор выборки.

Предскажите образец из предыдущего шага времени, обращая SDE. Эта функция распространяет процесс диффузии от выходов обученной модели (чаще всего — предсказанного шума).

Update on GitHub

←CogVideoXDPMScheduler CosineDPMSolverMultistepScheduler→