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

Ce planificateur fait partie du ConsistencyDecoderPipeline et a été introduit dans DALL-E 3.

Le code source original peut être trouvé sur openai/consistency_models.

ConsistencyDecoderScheduler

classe diffusers.schedulers.ConsistencyDecoderScheduler

< >

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

Paramètres

  • num_train_timesteps (int, facultatif, par défaut 1024) — Le nombre d'étapes de diffusion pour entraîner le modèle.
  • sigma_data (float, facultatif, par défaut 0.5) — L'écart-type de la distribution des données. Utilisé pour calculer les facteurs d'échelle de saut et de sortie.

Un planificateur pour le décodeur de cohérence utilisé dans les pipelines Stable Diffusion.

Ce planificateur met en œuvre un processus de débruitage en deux étapes utilisant des modèles de cohérence pour décoder les représentations latentes en images.

Ce modèle hérite de SchedulerMixin et ConfigMixin. Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous les planificateurs, telles que le chargement et l'enregistrement.

scale_model_input

< >

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

Paramètres

  • sample (torch.Tensor) — L'échantillon d'entrée.
  • timestep (int, facultatif) — L'étape temporelle actuelle dans la chaîne de diffusion.

Retourne

torch.Tensor

Un échantillon d'entrée mis à l'échelle.

Assure l'interchangeabilité avec les planificateurs qui doivent mettre à l'échelle l'entrée du modèle de débruitage en fonction de l'étape temporelle actuelle.

étape

< >

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

Paramètres

  • model_output (torch.Tensor) — La sortie directe du modèle de diffusion appris.
  • timestep (float ou torch.Tensor) — L'étape temporelle actuelle dans la chaîne de diffusion.
  • sample (torch.Tensor) — Une instance actuelle d'un échantillon créé par le processus de diffusion.
  • generator (torch.Generator, facultatif) — Générateur de nombres aléatoires pour la reproductibilité.
  • return_dict (bool, facultatif, par défaut True) — Indique s'il faut retourner un ConsistencyDecoderSchedulerOutput ou un tuple.

Retourne

ConsistencyDecoderSchedulerOutput ou tuple

Si return_dict est True, ConsistencyDecoderSchedulerOutput est retourné, sinon un tuple est retourné dont le premier élément est le tenseur d'échantillon.

Prédit l'échantillon de l'étape temporelle précédente en inversant l'EDS. Cette fonction propage le processus de diffusion à partir des sorties du modèle appris (le plus souvent le bruit prédit).

Update on GitHub

←CogVideoXDPMScheduler CosineDPMSolverMultistepScheduler→