Buckets:
| # ConsistencyDecoderScheduler | |
| يُعدّ هذا المجدول جزءًا من `ConsistencyDecoderPipeline` وقد تم تقديمه في [DALL-E 3](https://openai.com/dall-e-3). | |
| يمكن العثور على قاعدة الكود الأصلية في [openai/consistency_models](https://github.com/openai/consistency_models). | |
| ## ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| #### diffusers.schedulers.ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| ```python | |
| diffusers.schedulers.ConsistencyDecoderScheduler(num_train_timesteps: int = 1024, sigma_data: float = 0.5) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **المعاملات:** | |
| num_train_timesteps (`int`، *اختياري*، القيمة الافتراضية `1024`) : عدد خطوات الانتشار لتدريب النموذج. | |
| sigma_data (`float`، *اختياري*، القيمة الافتراضية `0.5`) : الانحراف المعياري لتوزيع البيانات. يُستخدم لحساب عوامل التخطي والتطوير للمخرجات. | |
| مجدول لفاصل الاتساق المستخدم في خطوط أنابيب Stable Diffusion. | |
| تنفّذ هذه الجدولة عملية إزالة الضوضاء على خطوتين باستخدام نماذج الاتساق لفكّ الترميز التمثيلات الكامنة إلى صور. | |
| يرث هذا النموذج من [SchedulerMixin](/docs/diffusers/main/ar/api/schedulers/overview#diffusers.SchedulerMixin) و [ConfigMixin](/docs/diffusers/main/ar/api/configuration#diffusers.ConfigMixin). راجع توثيق الفئة الأصلية لمعرفة الطرق العامة التي تنفذها المكتبة لجميع مجدولات التعلم، مثل التحميل والحفظ. | |
| #### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **المعاملات:** | |
| sample (`torch.Tensor`) : العينة المدخلة. | |
| timestep (`int`، *اختياري*) : الخطوة الزمنية الحالية في سلسلة الانتشار. | |
| **يعيد:** `torch.Tensor` | |
| عينة إدخال مُقيّمة. | |
| يضمن قابلية الاستبدال مع المجدولات التي تحتاج إلى تحجيم مدخلات نموذج إزالة الضوضاء اعتمادًا على خطوة الزمن الحالية. | |
| #### خطوة[[diffusers.schedulers.ConsistencyDecoderScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **المعاملات:** | |
| model_output (`torch.Tensor`) : المخرجات المباشرة من نموذج الانتشار المُتعلَّم. | |
| timestep (`float` أو `torch.Tensor`) : الخطوة الزمنية الحالية في سلسلة الانتشار. | |
| sample (`torch.Tensor`) : نسخة حالية من عينة تم إنشاؤها بواسطة عملية الانتشار. | |
| generator (`torch.Generator`، *اختياري*) : مولّد أرقام عشوائية من أجل قابلية التكرار. | |
| return_dict (`bool`، *اختياري*، الافتراضي `True`) : ما إذا كان يجب إرجاع `ConsistencyDecoderSchedulerOutput` أو `tuple` أم لا. | |
| **يعيد:** `ConsistencyDecoderSchedulerOutput` أو `tuple` | |
| إذا كان `return_dict` هو `True`، يُعاد `ConsistencyDecoderSchedulerOutput`، وإلا يُعاد tuple حيث يكون العنصر الأول هو tensor العينة. | |
| تنبّأ بالعيّنة من الخطوة الزمنية السابقة عن طريق عكس عملية المعادلة التفاضلية العشوائية (SDE). تنقل هذه الدالة عملية الانتشار من مخرجات النموذج المُتعلَّم (والتي تكون في الغالب الضوضاء المتنبَّأ بها). | |
Xet Storage Details
- Size:
- 4.37 kB
- Xet hash:
- c7c62c9482517185a718b9a5b50236c5e97c46f24be65f88beb5ad8db1e2d7ea
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.