Buckets:
| # ConsistencyDecoderScheduler | |
| Este programador forma parte de `ConsistencyDecoderPipeline` y fue introducido en [DALL-E 3](https://openai.com/dall-e-3). | |
| El código original se puede encontrar en [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) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **Parámetros:** | |
| num_train_timesteps (`int`, *opcional*, valor predeterminado `1024`) : El número de pasos de difusión para entrenar el modelo. | |
| sigma_data (`float`, *opcional*, valor predeterminado `0.5`) : La desviación estándar de la distribución de los datos. Se utiliza para calcular los factores de escala de salto y de salida. | |
| Un programador para el decodificador de consistencia utilizado en las tuberías de Stable Diffusion. | |
| Este programador implementa un proceso de desruido de dos pasos utilizando modelos de consistencia para decodificar representaciones latentes en imágenes. | |
| Este modelo hereda de [SchedulerMixin](/docs/diffusers/main/es/api/schedulers/overview#diffusers.SchedulerMixin) y [ConfigMixin](/docs/diffusers/main/es/api/configuration#diffusers.ConfigMixin). Consulta la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos los programadores, como la carga y el guardado. | |
| #### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **Parámetros:** | |
| sample (`torch.Tensor`) : La muestra de entrada. | |
| timestep (`int`, *opcional*) : El paso temporal actual en la cadena de difusión. | |
| **Devuelve:** `torch.Tensor` | |
| Una muestra de entrada escalada. | |
| Garantiza la interoperabilidad con los programadores que necesitan escalar la entrada del modelo de desruido en función del paso temporal actual. | |
| #### paso[[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) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **Parámetros:** | |
| model_output (`torch.Tensor`) : La salida directa del modelo de difusión aprendido. | |
| timestep (`float` o `torch.Tensor`) : El paso temporal actual en la cadena de difusión. | |
| sample (`torch.Tensor`) : Una instancia actual de una muestra creada por el proceso de difusión. | |
| generator (`torch.Generator`, *opcional*) : Un generador de números aleatorios para la reproducibilidad. | |
| return_dict (`bool`, *opcional*, por defecto `True`) : Si se devuelve un `ConsistencyDecoderSchedulerOutput` o un `tuple`. | |
| **Devuelve:** `ConsistencyDecoderSchedulerOutput` o `tuple` | |
| Si `return_dict` es `True`, se devuelve `ConsistencyDecoderSchedulerOutput`; en caso contrario, se devuelve una tupla cuyo primer elemento es el tensor de la muestra. | |
| Predice la muestra del paso de tiempo anterior invirtiendo el SDE. Esta función propaga el proceso de difusión desde las salidas del modelo aprendido (con mayor frecuencia, el ruido predicho). | |
Xet Storage Details
- Size:
- 3.66 kB
- Xet hash:
- 939749f38a8b406c242a33c7967d1ccc23745e671c0d05c3c784e064e14ba230
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.