Hugging Face's logo

Diffusers documentation

PiflowScheduler

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

PiflowScheduler

PiflowScheduler adalah scheduler few-step untuk checkpoint Kandinsky 6 yang telah di-distil, baik untuk model text/image-to-video-and-audio maupun model video super-resolution, serta untuk checkpoint Kandinsky S2V 1.0 yang telah di-distil. Scheduler ini mengimplementasikan π-Flow: transformer memprediksi n_grid estimasi denoised per kanal laten pada sejumlah kecil titik grid, dan scheduler mengintegrasikan kebijakan bebas jaringan di antara titik-titik tersebut.

Implementasi referensi dapat ditemukan di Lakonik/LakonLab.

PiflowScheduler

kelas diffusers.PiflowScheduler

< >

( num_train_timesteps: int = 1000shift: float = 5.0n_grid: int = 10eps: float = 1e-06final_step_size_scale: float = 0.5num_policy_substeps: int = 128 )

Parameter

  • num_train_timesteps (int, opsional, default 1000) — Jumlah langkah difusi pelatihan.
  • shift (float, opsional, default 5.0) — Pergeseran timestep flow-matching.
  • n_grid (int, opsional, default 10) — Jumlah prediksi dalam output model yang diperluas.
  • eps (float, opsional, default 1e-6) — Langkah waktu minimum dan penyebut kebijakan.
  • final_step_size_scale (float, opsional, default 0.5) — Ukuran relatif segmen raw-timestep terakhir.
  • num_policy_substeps (int, opsional, default 128) — Jumlah maksimum substep integrasi kebijakan per unit raw-timestep.

Penjadwal PiFlow beberapa langkah untuk transformer difusi dengan keluaran yang diperlebar.

PiFlow mengevaluasi model denoising pada sejumlah kecil titik grid dan mengintegrasikan kebijakan bebas jaringan di antara evaluasi-evaluasi tersebut. Scheduler ini ditujukan untuk checkpoint Kandinsky 6 yang telah di-distil, termasuk model video/audio utama dan model super-resolusi video. Output model mereka berisi n_grid prediksi per kanal sampel.

Scheduler ini mewarisi dari SchedulerMixin dan ConfigMixin. Periksa dokumentasi superclass untuk metode generik yang diimplementasikan untuk semua scheduler (pemuatan, penyimpanan, dll.).

set_timesteps

< >

( num_inference_steps: int | None = Nonedevice: typing.Union[str, torch.device, NoneType] = Nonesigmas: list[float] | None = Nonemu: float | None = Nonetimesteps: list[float] | None = None )

Parameter

  • num_inference_steps (int) — Jumlah evaluasi model.
  • device (str atau torch.device, opsional) — Perangkat untuk jadwal.
  • sigmas (list[float], opsional) — Jadwal sigma kustom yang tidak didukung.
  • mu (float, opsional) — Parameter dynamic-shift dinamis yang tidak didukung.
  • timesteps (list[float], opsional) — Jadwal timestep kustom yang tidak didukung.

Atur jadwal timestep PiFlow yang telah didistilasi.

langkah

< >

( model_output: FloatTensortimestep: typing.Union[float, torch.FloatTensor]sample: FloatTensorreturn_dict: bool = True ) → [PiflowSchedulerOutput] or tuple

Parameter

  • model_output (torch.FloatTensor) — Output model yang diperluas, berisi n_grid prediksi per kanal sampel.
  • timestep (float atau torch.FloatTensor) — Timestep scheduler saat ini.
  • sample (torch.FloatTensor) — Sampel berisik saat ini.
  • return_dict (bool, opsional, default True) — Apakah akan mengembalikan sebuah [PiflowSchedulerOutput].

Mengembalikan

[PiflowSchedulerOutput] atau tuple

Contoh diperbarui.

Maju satu langkah dengan mengintegrasikan kebijakan PiFlow.

PiflowSchedulerOutput

kelas diffusers.schedulers.scheduling_piflow.PiflowSchedulerOutput

< >

( prev_sample: Tensor )

Parameter

  • prev_sample (torch.Tensor) — Contoh yang dihitung pada titik grid PiFlow berikutnya. Seharusnya digunakan sebagai input denoising berikutnya.

Kelas output untuk output fungsi step penjadwal.

Update on GitHub

←MiniMaxH3Scheduler PNDMScheduler→