Fonction appelée lors de l'appel du pipeline pour la génération.

<<<<<<< HEAD Échelle de guidage telle que définie dans Classifier-Free Diffusion Guidance. guidance_scale est défini comme w de l'équation 2. de Imagen Paper. L'échelle de guidage est activée en définissant guidance_scale > 1. Une échelle de guidage plus élevée encourage la génération d'images étroitement liées au prompt texte, généralement au détriment de la qualité de l'image.

negative_prompt ( str ou list[str] , optionnel ) :

Échelle de guidage telle que définie dans Classifier-Free Diffusion Guidance. guidance_scale est défini comme w de l'équation 2. de Imagen Paper. L'échelle de guidage est activée en définissant guidance_scale > 1. Une échelle de guidage plus élevée encourage la génération d'images étroitement liées au prompt texte, généralement au détriment de la qualité de l'image. negative_prompt (str ou list[str], facultatif) :

main Le ou les prompts à ne pas utiliser pour guider la génération d'image. S'ils ne sont pas définis, il faut passer negative_prompt_embeds à la place. Ignoré lorsque la guidance n'est pas utilisée (c'est-à-dire ignoré si guidance_scale est inférieur à 1). num_images_per_prompt (int, facultatif, par défaut 1) : Le nombre d'images à générer par prompt. generator (torch.Generator ou list[torch.Generator], facultatif) : Un ou une liste de générateurs torch pour rendre la génération déterministe. latents (torch.FloatTensor, facultatif) : Latents bruités pré-générés, échantillonnés à partir d'une distribution gaussienne, à utiliser comme entrées pour la génération d'image. Peut être utilisé pour ajuster la même génération avec des prompts différents. S'ils ne sont pas fournis, un tenseur de latents sera généré par échantillonnage à l'aide du generator aléatoire fourni. prompt_embeds (torch.FloatTensor, facultatif) : Embeddings de texte pré-générés. Peut être utilisé pour ajuster facilement les entrées de texte, par ex. le pondération des prompts. S'ils ne sont pas fournis, les embeddings de texte seront générés à partir de l'argument d'entrée prompt. negative_prompt_embeds (torch.FloatTensor, facultatif) : Embeddings de texte négatifs pré-générés. Peut être utilisé pour ajuster facilement les entrées de texte, par ex. la pondération des prompts. S'ils ne sont pas fournis, negative_prompt_embeds sera généré à partir de l'argument d'entrée negative_prompt. output_type (str, facultatif, par défaut "pil") : Le format de sortie de l'image générée. Choisissez entre PIL : PIL.Image.Image ou np.array. return_dict (bool, facultatif, par défaut True) : Indique s'il faut retourner un ~pipelines.bria.BriaPipelineOutput plutôt qu'un simple tuple. attention_kwargs (dict, facultatif) : Un dictionnaire de kwargs qui, s'il est spécifié, est transmis au AttentionProcessor tel que défini sous self.processor dans diffusers.models.attention_processor. callback_on_step_end (Callable, facultatif) : Une fonction appelée à la fin de chaque étape de débruitage pendant l'inférence. La fonction est appelée avec les arguments suivants : callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict). callback_kwargs contiendra une liste de tous les tenseurs spécifiés par callback_on_step_end_tensor_inputs. callback_on_step_end_tensor_inputs (list, facultatif) : La liste des entrées de tenseurs pour la fonction callback_on_step_end. Les tenseurs spécifiés dans la liste seront passés comme argument callback_kwargs. Vous ne pourrez inclure que les variables listées dans l'attribut ._callback_tensor_inputs de votre classe de pipeline. max_sequence_length (int par défaut 256) : Longueur de séquence maximale à utiliser avec le prompt. clip_value (float, facultatif) : Si défini, le bruit prédit est tronqué à l'intervalle [-clip_value, clip_value] à chaque étape de débruitage. normalize (bool, facultatif, par défaut False) : Indique s'il faut normaliser le bruit prédit à chaque étape de débruitage.

>>> import torch
>>> from diffusers import BriaPipeline

>>> pipe = BriaPipeline.from_pretrained("briaai/BRIA-3.2", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
# BRIA's T5 text encoder is sensitive to precision. We need to cast it to bfloat16 and keep the final layer in float32.

>>> pipe.text_encoder = pipe.text_encoder.to(dtype=torch.bfloat16)
>>> for block in pipe.text_encoder.encoder.block:
...     block.layer[-1].DenseReluDense.wo.to(dtype=torch.float32)
# BRIA's VAE is not supported in mixed precision, so we use float32.

>>> if pipe.vae.config.shift_factor == 0:
...     pipe.vae.to(dtype=torch.float32)

>>> prompt = "Photorealistic food photography of a stack of fluffy pancakes on a white plate, with maple syrup being poured over them. On top of the pancakes are the words 'BRIA 3.2' in bold, yellow, 3D letters. The background is dark and out of focus."
>>> image = pipe(prompt).images[0]
>>> image.save("bria.png")