Buckets:
| # ConsistencyDecoderScheduler | |
| Ce planificateur fait partie du `ConsistencyDecoderPipeline` et a été introduit dans [DALL-E 3](https://openai.com/dall-e-3). | |
| Le code source original peut être trouvé sur [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) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **Paramètres :** | |
| num_train_timesteps (`int`, *facultatif*, valeur par défaut `1024`) : Le nombre d'étapes de diffusion pour entraîner le modèle. | |
| sigma_data (`float`, *facultatif*, valeur par défaut `0.5`) : L'écart-type de la distribution des données. Utilisé pour calculer les facteurs d'échelle de saut et de sortie. | |
| Un planificateur pour le décodeur de cohérence utilisé dans les pipelines Stable Diffusion. | |
| Ce planificateur met en œuvre un processus de débruitage en deux étapes en utilisant des modèles de cohérence pour décoder les représentations latentes en images. | |
| Ce modèle hérite de [SchedulerMixin](/docs/diffusers/main/fr/api/schedulers/overview#diffusers.SchedulerMixin) et [ConfigMixin](/docs/diffusers/main/fr/api/configuration#diffusers.ConfigMixin). Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous les planificateurs, telles que le chargement et l'enregistrement. | |
| #### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **Paramètres :** | |
| sample (`torch.Tensor`) : L'échantillon d'entrée. | |
| timestep (`int`, *facultatif*) : L'étape temporelle actuelle dans la chaîne de diffusion. | |
| **Retourne :** `torch.Tensor` | |
| Un échantillon d'entrée mis à l'échelle. | |
| Assure l'interchangeabilité avec les planificateurs qui doivent mettre à l'échelle l'entrée du modèle de débruitage en fonction de l'étape temporelle actuelle. | |
| #### étape[[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) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **Paramètres :** | |
| model_output (`torch.Tensor`) : La sortie directe du modèle de diffusion appris. | |
| timestep (`float` ou `torch.Tensor`) : L'étape temporelle actuelle dans la chaîne de diffusion. | |
| sample (`torch.Tensor`) : Une instance actuelle d'un échantillon créé par le processus de diffusion. | |
| generator (`torch.Generator`, *facultatif*) : Un générateur de nombres aléatoires pour la reproductibilité. | |
| return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `ConsistencyDecoderSchedulerOutput` ou un `tuple`. | |
| **Retourne :** `ConsistencyDecoderSchedulerOutput` ou `tuple` | |
| Si `return_dict` est `True`, `ConsistencyDecoderSchedulerOutput` est renvoyé, sinon un tuple est renvoyé dont le premier élément est le tenseur d'échantillon. | |
| Prédit l'échantillon de l'étape temporelle précédente en inversant l'EDS. Cette fonction propage le processus de diffusion à partir des sorties du modèle appris (le plus souvent le bruit prédit). | |
Xet Storage Details
- Size:
- 3.78 kB
- Xet hash:
- 4192f3cdfbb2dd986caee6d19782fd78fe1802c207dea11665f87594feaf63fe
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.