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

Trình lập lịch này là một phần của ConsistencyDecoderPipeline và được giới thiệu trong DALL-E 3.

Mã nguồn gốc có thể được tìm thấy tại openai/consistency_models.

ConsistencyDecoderScheduler

lớp diffusers.schedulers.ConsistencyDecoderScheduler

< >

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

Tham số

  • num_train_timesteps (int, tùy chọn, mặc định là 1024) — Số bước khuếch tán để huấn luyện mô hình.
  • sigma_data (float, tùy chọn, mặc định là 0.5) — Độ lệch chuẩn của phân phối dữ liệu. Được sử dụng để tính các hệ số thu phóng (scaling) cho bước nhảy (skip) và đầu ra.

Bộ lập lịch cho bộ giải mã nhất quán được sử dụng trong các pipeline Stable Diffusion.

Trình lập lịch này triển khai quy trình khử nhiễu hai bước sử dụng các mô hình nhất quán để giải mã các biểu diễn ẩn thành hình ảnh.

Mô hình này kế thừa từ SchedulerMixin và ConfigMixin. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các trình lập lịch, chẳng hạn như tải và lưu.

scale_model_input

< >

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

Tham số

  • sample (torch.Tensor) — Mẫu đầu vào.
  • timestep (int, tùy chọn) — Bước thời gian hiện tại trong chuỗi khuếch tán.

Trả về

torch.Tensor

Một mẫu đầu vào đã được chuẩn hóa.

Đảm bảo khả năng hoán đổi với các trình lập lịch cần mở rộng đầu vào của mô hình khử nhiễu tùy thuộc vào bước thời gian hiện tại.

bước

< >

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

Tham số

  • model_output (torch.Tensor) — Đầu ra trực tiếp từ mô hình khuếch tán đã học.
  • timestep (float hoặc torch.Tensor) — Bước thời gian hiện tại trong chuỗi khuếch tán.
  • sample (torch.Tensor) — Một bản thể hiện hiện tại của mẫu được tạo ra bởi quá trình khuếch tán.
  • generator (torch.Generator, tùy chọn) — Bộ tạo số ngẫu nhiên để đảm bảo khả năng tái lập.
  • return_dict (bool, tùy chọn, mặc định là True) — Có nên trả về một ConsistencyDecoderSchedulerOutput hay tuple hay không.

Trả về

ConsistencyDecoderSchedulerOutput hoặc tuple

Nếu return_dict là True, ConsistencyDecoderSchedulerOutput sẽ được trả về, ngược lại một tuple sẽ được trả về trong đó phần tử đầu tiên là tensor mẫu.

Dự đoán mẫu từ bước thời gian trước đó bằng cách đảo ngược SDE. Hàm này lan truyền quá trình khuếch tán từ các đầu ra của mô hình đã học (thường nhất là nhiễu được dự đoán).

Update on GitHub

←CogVideoXDPMScheduler CosineDPMSolverMultistepScheduler→