Buckets:
| # ConsistencyDecoderScheduler | |
| Scheduler ini merupakan bagian dari `ConsistencyDecoderPipeline` dan diperkenalkan dalam [DALL-E 3](https://openai.com/dall-e-3). | |
| Kodebase asli dapat ditemukan di [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) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **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](/docs/diffusers/main/id/api/schedulers/overview#diffusers.SchedulerMixin) dan [ConfigMixin](/docs/diffusers/main/id/api/configuration#diffusers.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]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **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]] | |
| ```python | |
| step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **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). | |
Xet Storage Details
- Size:
- 3.51 kB
- Xet hash:
- 1583906ee96df8c8053f9048afbe7b8e64c3425bde9b9b8240ff914aa90e6737
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.