Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

7 days ago

preview code

download

raw

15 kB

# EulerDiscreteScheduler

El scheduler de Euler (Algoritmo 2) proviene del artículo [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Es un scheduler rápido que a menudo puede generar buenas salidas en 20-30 pasos. El scheduler 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/).

## EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

#### diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

```python
diffusers.EulerDiscreteScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: str = 'linear', trained_betas: numpy.ndarray | list[float] | None = None, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool | None = False, use_exponential_sigmas: bool | None = False, use_beta_sigmas: bool | None = False, sigma_min: float | None = None, sigma_max: float | None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L143)

**Parámetros:**

num_train_timesteps (`int`, por defecto 1000) : El número de pasos de difusión para entrenar el modelo.

beta_start (`float`, por defecto 0.0001) : El valor inicial de `beta` para la inferencia.
beta_end (`float`, por defecto 0.02) : El valor final de `beta`.

beta_schedule (`Literal["linear", "scaled_linear", "squaredcos_cap_v2"]`, por defecto `"linear"`) : El programa de betas, una función que mapea un rango de betas a una secuencia de betas para dar pasos al modelo. Elija entre `"linear"`, `"scaled_linear"` o `"squaredcos_cap_v2"`.
trained_betas (`np.ndarray`, *opcional*) : Pasa un array de betas directamente al constructor para omitir `beta_start` y `beta_end`.

prediction_type (`Literal["epsilon", "sample", "v_prediction"]`, defaults to `"epsilon"`, *optional*) : Prediction type of the scheduler function; can be `"epsilon"` (predicts the noise of the diffusion process), `"sample"` (directly predicts the noisy sample`) or `"v_prediction"` (see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper).

interpolation_type (`Literal["linear", "log_linear"]`, por defecto `"linear"`, *opcional*) : El tipo de interpolación para calcular las sigmas intermedias en los pasos de eliminación de ruido del programador. Debe ser `"linear"` o `"log_linear"`.
use_karras_sigmas (`bool`, *opcional*, valor predeterminado `False`) : Si se deben usar sigmas de Karras para los tamaños de paso en el plan de ruido durante el proceso de muestreo. Si es `True`, los sigmas se determinan según una secuencia de niveles de ruido {σi}.
use_exponential_sigmas (`bool`, *opcional*, valor predeterminado `False`) : Si se deben usar sigmas exponenciales para los tamaños de paso en el plan de ruido durante el proceso de muestreo.
use_beta_sigmas (`bool`, *opcional*, valor predeterminado `False`) : Si se deben usar sigmas beta para los tamaños de paso en el plan de ruido durante el proceso de muestreo. Consulte [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) para obtener más información.
sigma_min (`float`, *opcional*) : El valor mínimo de sigma para el plan de ruido. Si no se proporciona, el valor predeterminado es el último sigma del plan.

sigma_max (`float`, *opcional*) : El valor máximo de sigma para el plan de ruido. Si no se proporciona, el valor predeterminado es el primer sigma del plan.
timestep_spacing (`Literal["linspace", "leading", "trailing"]`, por defecto `"linspace"`) : La forma en que deben escalarse los pasos de tiempo. Consulte la Tabla 2 de [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) para obtener más información.

timestep_type (`Literal["discrete", "continuous"]`, por defecto `"discrete"`) : El tipo de timesteps a utilizar. Puede ser `"discrete"` o `"continuous"`.
steps_offset (`int`, valor predeterminado 0) : Un desplazamiento que se suma a los pasos de inferencia, tal como lo requieren algunas familias de modelos.

rescale_betas_zero_snr (`bool`, por defecto `False`) : Si se deben reescalar los betas para tener un SNR terminal cero. Esto permite al modelo generar muestras muy brillantes y oscuras en lugar de limitarlo a muestras con un brillo medio. Relacionado de forma laxa con [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).
final_sigmas_type (`Literal["zero", "sigma_min"]`, por defecto `"zero"`) : El valor final de `sigma` para el plan de ruido durante el proceso de muestreo. Si es `"sigma_min"`, el sigma final es el mismo que el último sigma del plan de entrenamiento. Si es `"zero"`, el sigma final se establece en 0.
Euler scheduler.
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.EulerDiscreteScheduler.add_noise]]
```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L802)
**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.

#### get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

```python
get_velocity(sample: Tensor, noise: Tensor, timesteps: Tensor)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L850)

**Parámetros:**

sample (`torch.Tensor`) : La muestra de entrada para la que se debe calcular la velocidad.

noise (`torch.Tensor`) : El tensor de ruido correspondiente a la muestra.

timesteps (`torch.Tensor`) : Los pasos de tiempo en los que se calcula la velocidad.

**Devuelve:** `torch.Tensor`

La predicción de velocidad se calcula como `sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample`.

Calcule la predicción de velocidad para la muestra y el ruido dados en los pasos de tiempo especificados.

Este método implementa la predicción de velocidad utilizada en los modelos de predicción-v, que predice una combinación lineal de la muestra y el ruido.

#### index_for_timestep[[diffusers.EulerDiscreteScheduler.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_euler_discrete.py#L640)

**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.
#### scale_model_input[[diffusers.EulerDiscreteScheduler.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_euler_discrete.py#L326)
**Parámetros:**
sample (`torch.Tensor`) : La muestra de entrada que se va a escalar.
timestep (`float` o `torch.Tensor`) : El paso temporal actual en la cadena de difusión.
**Devuelve:** `torch.Tensor`
Una muestra de entrada escalada, dividida por `(sigma**2 + 1) ** 0.5`.
Garantiza la interoperabilidad con los programadores que necesitan escalar la entrada del modelo de desruido en función del paso temporal actual. Escala la entrada del modelo de desruido por `(sigma**2 + 1) ** 0.5` para que coincida con el algoritmo de Euler.
#### set_begin_index[[diffusers.EulerDiscreteScheduler.set_begin_index]]
```python
set_begin_index(begin_index: int = 0)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L316)
**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.EulerDiscreteScheduler.set_timesteps]]
```python
set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, timesteps: list[int] | None = None, sigmas: list[float] | None = None)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L350)
**Parámetros:**
num_inference_steps (`int`, *opcional*) : El número de pasos de difusión utilizados al generar muestras con un modelo preentrenado. Si es `None`, se deben proporcionar `timesteps` o `sigmas`.
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.
timesteps (`list[int]`, *opcional*) : Pasos de tiempo personalizados para admitir una programación de pasos de tiempo arbitraria. Si es `None`, los pasos de tiempo se generarán en función del atributo `timestep_spacing`. Si se pasa `timesteps`, `num_inference_steps` y `sigmas` deben ser `None`, y el atributo `timestep_spacing` se ignorará.
sigmas (`list[float]`, *opcional*) : Sigmas personalizados utilizados para admitir un programa de pasos de tiempo arbitrario. Si es `None`, los pasos de tiempo y los sigmas se generarán en función de los atributos relevantes del programador. Si se pasa `sigmas`, `num_inference_steps` y `timesteps` deben ser `None`, y los pasos de tiempo se generarán en función del programa de sigmas personalizado.
Establece los pasos discretos utilizados para la cadena de difusión (para ejecutarse antes de la inferencia).
#### paso[[diffusers.EulerDiscreteScheduler.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)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L685)
**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`) : Parámetro de estocasticidad que controla la cantidad de ruido añadido durante el muestreo. Valores más altos aumentan la aleatoriedad.
s_tmin (`float`, *opcional*, valor predeterminado `0.0`) : Umbral mínimo de paso temporal para aplicar estocasticidad. Solo se añadirá ruido a los pasos temporales que superen este valor.

s_tmax (`float`, *opcional*, valor predeterminado `inf`) : Umbral máximo de paso temporal para aplicar estocasticidad. Solo se añadirá ruido a los pasos temporales que estén por debajo de este valor.
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 muestreos reproducibles.

return_dict (`bool`, *opcional*, por defecto `True`) : Si se devuelve un [EulerDiscreteSchedulerOutput](/docs/diffusers/main/es/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) o una tupla.
**Devuelve:** [EulerDiscreteSchedulerOutput](/docs/diffusers/main/es/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) o `tuple`
Si `return_dict` es `True`, se devuelve [EulerDiscreteSchedulerOutput](/docs/diffusers/main/es/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput); en caso contrario, se devuelve una tupla cuyo primer elemento es el tensor de la muestra y cuyo segundo elemento es 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).

## EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

#### diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

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

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L36)

**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:: 15 kB
Xet hash:: b9e9aeec6cacef15f5d1d2cc307ab96c21cf23315b2cc53475ce389bd2df2200

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

	# EulerDiscreteScheduler

	El scheduler de Euler (Algoritmo 2) proviene del artículo [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Es un scheduler rápido que a menudo puede generar buenas salidas en 20-30 pasos. El scheduler 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/).

	## EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

	#### diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

	```python
	diffusers.EulerDiscreteScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: str = 'linear', trained_betas: numpy.ndarray \| list[float] \| None = None, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool \| None = False, use_exponential_sigmas: bool \| None = False, use_beta_sigmas: bool \| None = False, sigma_min: float \| None = None, sigma_max: float \| None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L143)

	Parámetros:

	num_train_timesteps (`int`, por defecto 1000) : El número de pasos de difusión para entrenar el modelo.

	beta_start (`float`, por defecto 0.0001) : El valor inicial de `beta` para la inferencia.

	beta_end (`float`, por defecto 0.02) : El valor final de `beta`.

	beta_schedule (`Literal["linear", "scaled_linear", "squaredcos_cap_v2"]`, por defecto `"linear"`) : El programa de betas, una función que mapea un rango de betas a una secuencia de betas para dar pasos al modelo. Elija entre `"linear"`, `"scaled_linear"` o `"squaredcos_cap_v2"`.

	trained_betas (`np.ndarray`, opcional) : Pasa un array de betas directamente al constructor para omitir `beta_start` y `beta_end`.

	prediction_type (`Literal["epsilon", "sample", "v_prediction"]`, defaults to `"epsilon"`, optional) : Prediction type of the scheduler function; can be `"epsilon"` (predicts the noise of the diffusion process), `"sample"` (directly predicts the noisy sample`) or `"v_prediction"` (see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper).

	interpolation_type (`Literal["linear", "log_linear"]`, por defecto `"linear"`, opcional) : El tipo de interpolación para calcular las sigmas intermedias en los pasos de eliminación de ruido del programador. Debe ser `"linear"` o `"log_linear"`.

	use_karras_sigmas (`bool`, opcional, valor predeterminado `False`) : Si se deben usar sigmas de Karras para los tamaños de paso en el plan de ruido durante el proceso de muestreo. Si es `True`, los sigmas se determinan según una secuencia de niveles de ruido {σi}.

	use_exponential_sigmas (`bool`, opcional, valor predeterminado `False`) : Si se deben usar sigmas exponenciales para los tamaños de paso en el plan de ruido durante el proceso de muestreo.

	use_beta_sigmas (`bool`, opcional, valor predeterminado `False`) : Si se deben usar sigmas beta para los tamaños de paso en el plan de ruido durante el proceso de muestreo. Consulte [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) para obtener más información.

	sigma_min (`float`, opcional) : El valor mínimo de sigma para el plan de ruido. Si no se proporciona, el valor predeterminado es el último sigma del plan.

	sigma_max (`float`, opcional) : El valor máximo de sigma para el plan de ruido. Si no se proporciona, el valor predeterminado es el primer sigma del plan.

	timestep_spacing (`Literal["linspace", "leading", "trailing"]`, por defecto `"linspace"`) : La forma en que deben escalarse los pasos de tiempo. Consulte la Tabla 2 de [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) para obtener más información.

	timestep_type (`Literal["discrete", "continuous"]`, por defecto `"discrete"`) : El tipo de timesteps a utilizar. Puede ser `"discrete"` o `"continuous"`.

	steps_offset (`int`, valor predeterminado 0) : Un desplazamiento que se suma a los pasos de inferencia, tal como lo requieren algunas familias de modelos.

	rescale_betas_zero_snr (`bool`, por defecto `False`) : Si se deben reescalar los betas para tener un SNR terminal cero. Esto permite al modelo generar muestras muy brillantes y oscuras en lugar de limitarlo a muestras con un brillo medio. Relacionado de forma laxa con [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).

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

	Euler scheduler.

	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.EulerDiscreteScheduler.add_noise]]

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

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L802)

	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.

	#### get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

	```python
	get_velocity(sample: Tensor, noise: Tensor, timesteps: Tensor)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L850)

	Parámetros:

	sample (`torch.Tensor`) : La muestra de entrada para la que se debe calcular la velocidad.

	noise (`torch.Tensor`) : El tensor de ruido correspondiente a la muestra.

	timesteps (`torch.Tensor`) : Los pasos de tiempo en los que se calcula la velocidad.

	Devuelve: `torch.Tensor`

	La predicción de velocidad se calcula como `sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample`.

	Calcule la predicción de velocidad para la muestra y el ruido dados en los pasos de tiempo especificados.

	Este método implementa la predicción de velocidad utilizada en los modelos de predicción-v, que predice una combinación lineal de la muestra y el ruido.

	#### index_for_timestep[[diffusers.EulerDiscreteScheduler.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_euler_discrete.py#L640)

	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.

	#### scale_model_input[[diffusers.EulerDiscreteScheduler.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_euler_discrete.py#L326)

	Parámetros:

	sample (`torch.Tensor`) : La muestra de entrada que se va a escalar.

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

	Devuelve: `torch.Tensor`

	Una muestra de entrada escalada, dividida por `(sigma2 + 1) 0.5`.

	Garantiza la interoperabilidad con los programadores que necesitan escalar la entrada del modelo de desruido en función del paso temporal actual. Escala la entrada del modelo de desruido por `(sigma2 + 1) 0.5` para que coincida con el algoritmo de Euler.

	#### set_begin_index[[diffusers.EulerDiscreteScheduler.set_begin_index]]

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

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L316)

	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.EulerDiscreteScheduler.set_timesteps]]

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

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L350)

	Parámetros:

	num_inference_steps (`int`, opcional) : El número de pasos de difusión utilizados al generar muestras con un modelo preentrenado. Si es `None`, se deben proporcionar `timesteps` o `sigmas`.

	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.

	timesteps (`list[int]`, opcional) : Pasos de tiempo personalizados para admitir una programación de pasos de tiempo arbitraria. Si es `None`, los pasos de tiempo se generarán en función del atributo `timestep_spacing`. Si se pasa `timesteps`, `num_inference_steps` y `sigmas` deben ser `None`, y el atributo `timestep_spacing` se ignorará.

	sigmas (`list[float]`, opcional) : Sigmas personalizados utilizados para admitir un programa de pasos de tiempo arbitrario. Si es `None`, los pasos de tiempo y los sigmas se generarán en función de los atributos relevantes del programador. Si se pasa `sigmas`, `num_inference_steps` y `timesteps` deben ser `None`, y los pasos de tiempo se generarán en función del programa de sigmas personalizado.

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

	#### paso[[diffusers.EulerDiscreteScheduler.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)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L685)

	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`) : Parámetro de estocasticidad que controla la cantidad de ruido añadido durante el muestreo. Valores más altos aumentan la aleatoriedad.

	s_tmin (`float`, opcional, valor predeterminado `0.0`) : Umbral mínimo de paso temporal para aplicar estocasticidad. Solo se añadirá ruido a los pasos temporales que superen este valor.

	s_tmax (`float`, opcional, valor predeterminado `inf`) : Umbral máximo de paso temporal para aplicar estocasticidad. Solo se añadirá ruido a los pasos temporales que estén por debajo de este valor.

	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 muestreos reproducibles.

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

	Devuelve: [EulerDiscreteSchedulerOutput](/docs/diffusers/main/es/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) o `tuple`

	Si `return_dict` es `True`, se devuelve [EulerDiscreteSchedulerOutput](/docs/diffusers/main/es/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput); en caso contrario, se devuelve una tupla cuyo primer elemento es el tensor de la muestra y cuyo segundo elemento es 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).

	## EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

	#### diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

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

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L36)

	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.