Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /es /api /schedulers /edm_euler.md

mishig

8 days ago

preview code

download

raw

13.2 kB

# EDMEulerScheduler

La formulación de Karras del programador Euler (Algoritmo 2) del artículo [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Este es un programador rápido que a menudo puede generar buenas salidas en 20-30 pasos. El programador se basa en la implementación original de [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51) de [Katherine Crowson](https://github.com/crowsonkb/).

## EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

#### diffusers.EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

```python
diffusers.EDMEulerScheduler(sigma_min: float = 0.002, sigma_max: float = 80.0, sigma_data: float = 0.5, sigma_schedule: typing.Literal['karras', 'exponential'] = 'karras', num_train_timesteps: int = 1000, prediction_type: typing.Literal['epsilon', 'v_prediction'] = 'epsilon', rho: float = 7.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L49)

**Parámetros:**

sigma_min (`float`, *opcional*, valor predeterminado `0.002`) : Magnitud mínima de ruido en la programación de sigma. En el artículo EDM [1] se estableció en 0.002; un rango razonable es [0, 10].
sigma_max (`float`, *opcional*, valor predeterminado `80.0`) : Magnitud máxima de ruido en la programación de sigma. Esto se estableció en 80.0 en el artículo de EDM [1]; un rango razonable es [0.2, 80.0].

sigma_data (`float`, *opcional*, valor predeterminado `0.5`) : La desviación estándar de la distribución de los datos. En el artículo de EDM [1], este valor se establece en 0.5.
sigma_schedule (`Literal["karras", "exponential"]`, *opcional*, por defecto `"karras"`) : Programa para calcular los `sigmas`. Por defecto, utilizamos el programa introducido en el artículo EDM (https://huggingface.co/papers/2206.00364). El programa `"exponential"` se incorporó en este modelo: https://huggingface.co/stabilityai/cosxl.

num_train_timesteps (`int`, *opcional*, valor predeterminado `1000`) : El número de pasos de difusión para entrenar el modelo.

prediction_type (`Literal["epsilon", "v_prediction"]`, *opcional*, valor predeterminado `"epsilon"`) : Tipo de predicción de la función del programador. `"epsilon"` predice el ruido del proceso de difusión, y `"v_prediction"` (ver la sección 2.4 del artículo [Imagen Video](https://huggingface.co/papers/2210.02303)).

rho (`float`, *opcional*, valor predeterminado `7.0`) : El parámetro rho utilizado para calcular la programación de sigma de Karras, que se establece en 7.0 en el artículo de EDM [1].

final_sigmas_type (`Literal["zero", "sigma_min"]`, *opcional*, valor predeterminado `"zero"`) : El valor final de `sigma` para el programa de ruido durante el proceso de muestreo. Si es `"sigma_min"`, el sigma final es el mismo que el último sigma del programa de entrenamiento. Si es `"zero"`, el sigma final se establece en 0.

Implementa el planificador Euler en la formulación EDM tal como se presenta en Karras et al. 2022 [1].

[1] Karras, Tero, et al. "Elucidating the Design Space of Diffusion-Based Generative Models." https://huggingface.co/papers/2206.00364

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.

#### add_noise[[diffusers.EDMEulerScheduler.add_noise]]

```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L536)

**Parámetros:**

original_samples (`torch.Tensor`) : Las muestras originales a las que se les añadirá ruido.
noise (`torch.Tensor`) : El tensor de ruido que se añadirá a las muestras originales.
timesteps (`torch.Tensor`) : Los pasos de tiempo en los que se añade ruido, determinando el nivel de ruido a partir de la programación.
**Devuelve:** `torch.Tensor`
Las muestras ruidosas con ruido añadido escalado según la programación de pasos de tiempo.
Añade ruido a las muestras originales según el programa de ruido en los pasos de tiempo especificados.
#### index_for_timestep[[diffusers.EDMEulerScheduler.index_for_timestep]]
```python
index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L381)
**Parámetros:**
timestep (`float` o `torch.Tensor`) : El valor de timestep a buscar en la programación.
schedule_timesteps (`torch.Tensor`, *opcional*) : El calendario de pasos de tiempo en el que buscar. Si es `None`, usa `self.timesteps`.
**Devuelve:** `int`
El índice del paso de tiempo en la programación. Para el primer paso, devuelve el segundo índice si existen múltiples coincidencias para evitar omitir una sigma al comenzar a mitad de la programación (p. ej., para imagen a imagen).
Encuentra el índice de un paso de tiempo dado en la programación de pasos de tiempo.
#### precondition_inputs[[diffusers.EDMEulerScheduler.precondition_inputs]]
```python
precondition_inputs(sample: Tensor, sigma: typing.Union[float, torch.Tensor])
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L177)
**Parámetros:**
sample (`torch.Tensor`) : El tensor de muestra de entrada para precondicionar.
sigma (`float` o `torch.Tensor`) : El valor actual de sigma (nivel de ruido).
**Devuelve:** `torch.Tensor`
La muestra de entrada escalada.
Precondicione la muestra de entrada escalándola según la formulación de EDM.
#### precondition_noise[[diffusers.EDMEulerScheduler.precondition_noise]]
```python
precondition_noise(sigma: typing.Union[float, torch.Tensor])
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L195)
**Parámetros:**
sigma (`float` o `torch.Tensor`) : El valor de sigma (nivel de ruido) a precondicionar.
**Devuelve:** `torch.Tensor`
El valor de ruido precondicionado calculado como `0.25 * log(sigma)`.
Precondicione el nivel de ruido aplicando una transformación logarítmica.
#### precondition_outputs[[diffusers.EDMEulerScheduler.precondition_outputs]]
```python
precondition_outputs(sample: Tensor, model_output: Tensor, sigma: typing.Union[float, torch.Tensor])
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L214)
**Parámetros:**
sample (`torch.Tensor`) : El tensor de la muestra de entrada.
model_output (`torch.Tensor`) : La salida directa del modelo de difusión aprendido.
sigma (`float` o `torch.Tensor`) : El valor actual de sigma (nivel de ruido).
**Devuelve:** `torch.Tensor`
La muestra desruidada calculada combinando la conexión de salto y la escalada de salida.
Precondiciona las salidas del modelo según la formulación de EDM.
#### scale_model_input[[diffusers.EDMEulerScheduler.scale_model_input]]
```python
scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L249)
**Parámetros:**
sample (`torch.Tensor`) : El tensor de la muestra de entrada.
timestep (`float` o `torch.Tensor`) : El paso temporal actual en la cadena de difusión.
**Devuelve:** `torch.Tensor`
Una muestra de entrada escalada.
Escala la entrada del modelo de desruido para que coincida con el algoritmo de Euler. Garantiza la interoperabilidad con los programadores que necesitan escalar la entrada del modelo de desruido en función del paso temporal actual.
#### set_begin_index[[diffusers.EDMEulerScheduler.set_begin_index]]
```python
set_begin_index(begin_index: int = 0)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L167)
**Parámetros:**
begin_index (`int`, por defecto `0`) : El índice inicial del programador.

Establece el índice inicial para el programador. Esta función debe ejecutarse desde la tubería antes de la inferencia.

#### set_timesteps[[diffusers.EDMEulerScheduler.set_timesteps]]

```python
set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, sigmas: typing.Union[list[float], torch.Tensor, NoneType] = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L273)

**Parámetros:**

num_inference_steps (`int`, *opcional*) : El número de pasos de difusión utilizados al generar muestras con un modelo preentrenado.

device (`str` o `torch.device`, *opcional*) : El dispositivo al que deben moverse los pasos de tiempo. Si es `None`, los pasos de tiempo no se mueven.

sigmas (`torch.Tensor | list[float]`, *opcional*) : Sigmas personalizados para usar en el proceso de desruido. Si no se definen, se usará el comportamiento predeterminado cuando se pase `num_inference_steps`.

Establece los pasos discretos utilizados para la cadena de difusión (para ejecutarse antes de la inferencia).

#### paso[[diffusers.EDMEulerScheduler.step]]

```python
step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True, pred_original_sample: typing.Optional[torch.Tensor] = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L427)

**Parámetros:**

model_output (`torch.Tensor`) : La salida directa del modelo de difusión aprendido.
timestep (`float` o `torch.Tensor`) : El paso de tiempo discreto actual en la cadena de difusión.
sample (`torch.Tensor`) : Una instancia actual de una muestra creada por el proceso de difusión.
s_churn (`float`, *opcional*, valor predeterminado `0.0`) : La cantidad de estocasticidad que se añade en cada paso. Valores más altos añaden más ruido.

s_tmin (`float`, *opcional*, valor predeterminado `0.0`) : Umbral mínimo de sigma por debajo del cual no se añade ruido.
s_tmax (`float`, *opcional*, valor predeterminado `float("inf")`) : El umbral máximo de sigma por encima del cual no se añade ruido.

s_noise (`float`, *opcional*, valor predeterminado `1.0`) : Factor de escala para el ruido añadido a la muestra.
generator (`torch.Generator`, *opcional*) : Un generador de números aleatorios para la reproducibilidad.
return_dict (`bool`, *opcional*, por defecto `True`) : Si se devuelve un [EDMEulerSchedulerOutput](/docs/diffusers/main/es/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) o una tupla.

pred_original_sample (`torch.Tensor`, *opcional*) : La muestra desruidada predicha de un paso anterior. Si se proporciona, se omite el recálculo.

**Devuelve:** [EDMEulerSchedulerOutput](/docs/diffusers/main/es/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) o `tuple`

Si `return_dict` es `True`, se devuelve un [EDMEulerSchedulerOutput](/docs/diffusers/main/es/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput); en caso contrario, se devuelve una tupla donde el primer elemento es el tensor de la muestra anterior y el segundo elemento es el tensor de la muestra original predicha.

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).

## EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

#### diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

```python
diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L32)

**Parámetros:**

prev_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imágenes) : Muestra `(x_{t-1})` calculada del paso de tiempo anterior. `prev_sample` debe usarse como entrada del modelo en la siguiente iteración del bucle de desruido.
pred_original_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imágenes) : La muestra desruidada predicha `(x_{0})` basada en la salida del modelo del paso de tiempo actual. `pred_original_sample` se puede usar para previsualizar el progreso o para la guía.

Clase de salida para la salida de la función `step` del programador.

Xet Storage Details

Size:: 13.2 kB
Xet hash:: fd0317c7978fe38523485175f6902ac83113a9506144bdf4f462641a3a0b0814

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# EDMEulerScheduler

	La formulación de Karras del programador Euler (Algoritmo 2) del artículo [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Este es un programador rápido que a menudo puede generar buenas salidas en 20-30 pasos. El programador se basa en la implementación original de [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51) de [Katherine Crowson](https://github.com/crowsonkb/).

	## EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

	#### diffusers.EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

	```python
	diffusers.EDMEulerScheduler(sigma_min: float = 0.002, sigma_max: float = 80.0, sigma_data: float = 0.5, sigma_schedule: typing.Literal['karras', 'exponential'] = 'karras', num_train_timesteps: int = 1000, prediction_type: typing.Literal['epsilon', 'v_prediction'] = 'epsilon', rho: float = 7.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L49)

	Parámetros:

	sigma_min (`float`, opcional, valor predeterminado `0.002`) : Magnitud mínima de ruido en la programación de sigma. En el artículo EDM [1] se estableció en 0.002; un rango razonable es [0, 10].

	sigma_max (`float`, opcional, valor predeterminado `80.0`) : Magnitud máxima de ruido en la programación de sigma. Esto se estableció en 80.0 en el artículo de EDM [1]; un rango razonable es [0.2, 80.0].

	sigma_data (`float`, opcional, valor predeterminado `0.5`) : La desviación estándar de la distribución de los datos. En el artículo de EDM [1], este valor se establece en 0.5.

	sigma_schedule (`Literal["karras", "exponential"]`, opcional, por defecto `"karras"`) : Programa para calcular los `sigmas`. Por defecto, utilizamos el programa introducido en el artículo EDM (https://huggingface.co/papers/2206.00364). El programa `"exponential"` se incorporó en este modelo: https://huggingface.co/stabilityai/cosxl.

	num_train_timesteps (`int`, opcional, valor predeterminado `1000`) : El número de pasos de difusión para entrenar el modelo.

	prediction_type (`Literal["epsilon", "v_prediction"]`, opcional, valor predeterminado `"epsilon"`) : Tipo de predicción de la función del programador. `"epsilon"` predice el ruido del proceso de difusión, y `"v_prediction"` (ver la sección 2.4 del artículo [Imagen Video](https://huggingface.co/papers/2210.02303)).

	rho (`float`, opcional, valor predeterminado `7.0`) : El parámetro rho utilizado para calcular la programación de sigma de Karras, que se establece en 7.0 en el artículo de EDM [1].

	final_sigmas_type (`Literal["zero", "sigma_min"]`, opcional, valor predeterminado `"zero"`) : El valor final de `sigma` para el programa de ruido durante el proceso de muestreo. Si es `"sigma_min"`, el sigma final es el mismo que el último sigma del programa de entrenamiento. Si es `"zero"`, el sigma final se establece en 0.

	Implementa el planificador Euler en la formulación EDM tal como se presenta en Karras et al. 2022 [1].

	[1] Karras, Tero, et al. "Elucidating the Design Space of Diffusion-Based Generative Models." https://huggingface.co/papers/2206.00364

	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.

	#### add_noise[[diffusers.EDMEulerScheduler.add_noise]]

	```python
	add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L536)

	Parámetros:

	original_samples (`torch.Tensor`) : Las muestras originales a las que se les añadirá ruido.

	noise (`torch.Tensor`) : El tensor de ruido que se añadirá a las muestras originales.

	timesteps (`torch.Tensor`) : Los pasos de tiempo en los que se añade ruido, determinando el nivel de ruido a partir de la programación.

	Devuelve: `torch.Tensor`

	Las muestras ruidosas con ruido añadido escalado según la programación de pasos de tiempo.

	Añade ruido a las muestras originales según el programa de ruido en los pasos de tiempo especificados.

	#### index_for_timestep[[diffusers.EDMEulerScheduler.index_for_timestep]]

	```python
	index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L381)

	Parámetros:

	timestep (`float` o `torch.Tensor`) : El valor de timestep a buscar en la programación.

	schedule_timesteps (`torch.Tensor`, opcional) : El calendario de pasos de tiempo en el que buscar. Si es `None`, usa `self.timesteps`.

	Devuelve: `int`

	El índice del paso de tiempo en la programación. Para el primer paso, devuelve el segundo índice si existen múltiples coincidencias para evitar omitir una sigma al comenzar a mitad de la programación (p. ej., para imagen a imagen).

	Encuentra el índice de un paso de tiempo dado en la programación de pasos de tiempo.

	#### precondition_inputs[[diffusers.EDMEulerScheduler.precondition_inputs]]

	```python
	precondition_inputs(sample: Tensor, sigma: typing.Union[float, torch.Tensor])
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L177)

	Parámetros:

	sample (`torch.Tensor`) : El tensor de muestra de entrada para precondicionar.

	sigma (`float` o `torch.Tensor`) : El valor actual de sigma (nivel de ruido).

	Devuelve: `torch.Tensor`

	La muestra de entrada escalada.

	Precondicione la muestra de entrada escalándola según la formulación de EDM.

	#### precondition_noise[[diffusers.EDMEulerScheduler.precondition_noise]]

	```python
	precondition_noise(sigma: typing.Union[float, torch.Tensor])
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L195)

	Parámetros:

	sigma (`float` o `torch.Tensor`) : El valor de sigma (nivel de ruido) a precondicionar.

	Devuelve: `torch.Tensor`

	El valor de ruido precondicionado calculado como `0.25 * log(sigma)`.

	Precondicione el nivel de ruido aplicando una transformación logarítmica.

	#### precondition_outputs[[diffusers.EDMEulerScheduler.precondition_outputs]]

	```python
	precondition_outputs(sample: Tensor, model_output: Tensor, sigma: typing.Union[float, torch.Tensor])
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L214)

	Parámetros:

	sample (`torch.Tensor`) : El tensor de la muestra de entrada.

	model_output (`torch.Tensor`) : La salida directa del modelo de difusión aprendido.

	sigma (`float` o `torch.Tensor`) : El valor actual de sigma (nivel de ruido).

	Devuelve: `torch.Tensor`

	La muestra desruidada calculada combinando la conexión de salto y la escalada de salida.

	Precondiciona las salidas del modelo según la formulación de EDM.

	#### scale_model_input[[diffusers.EDMEulerScheduler.scale_model_input]]

	```python
	scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L249)

	Parámetros:

	sample (`torch.Tensor`) : El tensor de la muestra de entrada.

	timestep (`float` o `torch.Tensor`) : El paso temporal actual en la cadena de difusión.

	Devuelve: `torch.Tensor`

	Una muestra de entrada escalada.

	Escala la entrada del modelo de desruido para que coincida con el algoritmo de Euler. Garantiza la interoperabilidad con los programadores que necesitan escalar la entrada del modelo de desruido en función del paso temporal actual.

	#### set_begin_index[[diffusers.EDMEulerScheduler.set_begin_index]]

	```python
	set_begin_index(begin_index: int = 0)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L167)

	Parámetros:

	begin_index (`int`, por defecto `0`) : El índice inicial del programador.

	Establece el índice inicial para el programador. Esta función debe ejecutarse desde la tubería antes de la inferencia.

	#### set_timesteps[[diffusers.EDMEulerScheduler.set_timesteps]]

	```python
	set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, sigmas: typing.Union[list[float], torch.Tensor, NoneType] = None)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L273)

	Parámetros:

	num_inference_steps (`int`, opcional) : El número de pasos de difusión utilizados al generar muestras con un modelo preentrenado.

	device (`str` o `torch.device`, opcional) : El dispositivo al que deben moverse los pasos de tiempo. Si es `None`, los pasos de tiempo no se mueven.

	sigmas (`torch.Tensor \| list[float]`, opcional) : Sigmas personalizados para usar en el proceso de desruido. Si no se definen, se usará el comportamiento predeterminado cuando se pase `num_inference_steps`.

	Establece los pasos discretos utilizados para la cadena de difusión (para ejecutarse antes de la inferencia).

	#### paso[[diffusers.EDMEulerScheduler.step]]

	```python
	step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True, pred_original_sample: typing.Optional[torch.Tensor] = None)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L427)

	Parámetros:

	model_output (`torch.Tensor`) : La salida directa del modelo de difusión aprendido.

	timestep (`float` o `torch.Tensor`) : El paso de tiempo discreto actual en la cadena de difusión.

	sample (`torch.Tensor`) : Una instancia actual de una muestra creada por el proceso de difusión.

	s_churn (`float`, opcional, valor predeterminado `0.0`) : La cantidad de estocasticidad que se añade en cada paso. Valores más altos añaden más ruido.

	s_tmin (`float`, opcional, valor predeterminado `0.0`) : Umbral mínimo de sigma por debajo del cual no se añade ruido.

	s_tmax (`float`, opcional, valor predeterminado `float("inf")`) : El umbral máximo de sigma por encima del cual no se añade ruido.

	s_noise (`float`, opcional, valor predeterminado `1.0`) : Factor de escala para el ruido añadido a la muestra.

	generator (`torch.Generator`, opcional) : Un generador de números aleatorios para la reproducibilidad.

	return_dict (`bool`, opcional, por defecto `True`) : Si se devuelve un [EDMEulerSchedulerOutput](/docs/diffusers/main/es/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) o una tupla.

	pred_original_sample (`torch.Tensor`, opcional) : La muestra desruidada predicha de un paso anterior. Si se proporciona, se omite el recálculo.

	Devuelve: [EDMEulerSchedulerOutput](/docs/diffusers/main/es/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) o `tuple`

	Si `return_dict` es `True`, se devuelve un [EDMEulerSchedulerOutput](/docs/diffusers/main/es/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput); en caso contrario, se devuelve una tupla donde el primer elemento es el tensor de la muestra anterior y el segundo elemento es el tensor de la muestra original predicha.

	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).

	## EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

	#### diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

	```python
	diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L32)

	Parámetros:

	prev_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imágenes) : Muestra `(x_{t-1})` calculada del paso de tiempo anterior. `prev_sample` debe usarse como entrada del modelo en la siguiente iteración del bucle de desruido.

	pred_original_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imágenes) : La muestra desruidada predicha `(x_{0})` basada en la salida del modelo del paso de tiempo actual. `pred_original_sample` se puede usar para previsualizar el progreso o para la guía.

	Clase de salida para la salida de la función `step` del programador.