diffusers/main/id/api/schedulers/consistency_decoder.md

ConsistencyDecoderScheduler

Scheduler ini merupakan bagian dari ConsistencyDecoderPipeline dan diperkenalkan dalam DALL-E 3.

Kodebase asli dapat ditemukan di openai/consistency_models.

ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]]

diffusers.schedulers.ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]]

diffusers.schedulers.ConsistencyDecoderScheduler(num_train_timesteps: int = 1024, sigma_data: float = 0.5)

Sumber

Parameter:

num_train_timesteps (int, opsional, defaultnya 1024) : Jumlah langkah difusi untuk melatih model.

sigma_data (float, opsional, defaultnya 0.5) : Standar deviasi dari distribusi data. Digunakan untuk menghitung faktor penskalaan skip dan output.

Penjadwal untuk decoder konsistensi yang digunakan dalam pipeline Stable Diffusion.

Penjadwal ini mengimplementasikan proses denoising dua langkah menggunakan model konsistensi untuk mendekode representasi laten menjadi gambar.

Model ini mewarisi dari SchedulerMixin dan ConfigMixin. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan pustaka ini untuk semua scheduler, seperti pemuatan dan penyimpanan.

scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]]

scale_model_input(sample: Tensor, timestep: int | None = None)

Sumber

Parameter:

sample (torch.Tensor) : Sampel input.

timestep (int, opsional) : Langkah waktu (timestep) saat ini dalam rantai difusi.

Mengembalikan: torch.Tensor

Contoh input yang diskalakan.

Memastikan interoperabilitas dengan scheduler yang perlu menskalakan input model denoising berdasarkan timestep saat ini.

langkah[[diffusers.schedulers.ConsistencyDecoderScheduler.step]]

step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)

Sumber

Parameter:

model_output (torch.Tensor) : Output langsung dari model difusi yang dipelajari.

timestep (float atau torch.Tensor) : Langkah waktu (timestep) saat ini dalam rantai difusi.

sample (torch.Tensor) : Instans saat ini dari sampel yang dibuat oleh proses difusi.

generator (torch.Generator, opsional) : Generator angka acak untuk reproduktibilitas.

return_dict (bool, opsional, defaultnya True) : Apakah akan mengembalikan ConsistencyDecoderSchedulerOutput atau tuple.

Mengembalikan: ConsistencyDecoderSchedulerOutput atau tuple

Jika return_dict adalah True, maka ConsistencyDecoderSchedulerOutput yang dikembalikan, selain itu sebuah tuple yang dikembalikan di mana elemen pertama adalah tensor sampel.

Prediksi sampel dari langkah waktu sebelumnya dengan membalik SDE. Fungsi ini menyebarkan proses difusi dari keluaran model yang dipelajari (paling sering berupa noise yang diprediksi).