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

Este scheduler faz parte do ConsistencyDecoderPipeline e foi introduzido no DALL-E 3.

O código original pode ser encontrado em openai/consistency_models.

ConsistencyDecoderScheduler

classe diffusers.schedulers.ConsistencyDecoderScheduler

< >

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

Parâmetros

  • num_train_timesteps (int, opcional, padrão 1024) — O número de etapas de difusão para treinar o modelo.
  • sigma_data (float, opcional, padrão 0.5) — O desvio padrão da distribuição dos dados. Usado para calcular os fatores de escala de salto e de saída.

Um scheduler para o decodificador de consistência usado nos pipelines do Stable Diffusion.

Este agendador implementa um processo de desruidamento em duas etapas usando modelos de consistência para decodificar representações latentes em imagens.

Este modelo herda de SchedulerMixin e ConfigMixin. Consulte a documentação da superclasse para os métodos genéricos que a biblioteca implementa para todos os agendadores, como carregamento e salvamento.

scale_model_input

< >

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

Parâmetros

  • sample (torch.Tensor) — A amostra de entrada.
  • timestep (int, opcional) — O timestep atual na cadeia de difusão.

Retorna

torch.Tensor

Uma amostra de entrada escalada.

Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual.

etapa

< >

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

Parâmetros

  • model_output (torch.Tensor) — A saída direta do modelo de difusão aprendido.
  • timestep (float ou torch.Tensor) — O timestep atual na cadeia de difusão.
  • sample (torch.Tensor) — Uma instância atual de uma amostra criada pelo processo de difusão.
  • generator (torch.Generator, opcional) — Um gerador de números aleatórios para reprodutibilidade.
  • return_dict (bool, opcional, padrão True) — Se deve ou não retornar um ConsistencyDecoderSchedulerOutput ou tuple.

Retorna

ConsistencyDecoderSchedulerOutput ou tuple

Se return_dict for True, ConsistencyDecoderSchedulerOutput é retornado, caso contrário uma tupla é retornada, onde o primeiro elemento é o tensor da amostra.

Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga o processo de difusão a partir das saídas do modelo aprendido (na maioria das vezes, o ruído previsto).

Update on GitHub

←CogVideoXDPMScheduler CosineDPMSolverMultistepScheduler→