Buckets:
| # Latent Consistency Model Multistep Scheduler | |
| ## Ikhtisar | |
| Scheduler multistep dan onestep (Algorithm 3) yang diperkenalkan bersama latent consistency models dalam paper [Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference](https://huggingface.co/papers/2310.04378) oleh Simian Luo, Yiqin Tan, Longbo Huang, Jian Li, dan Hang Zhao. Scheduler ini seharusnya mampu menghasilkan sampel yang baik dari [LatentConsistencyModelPipeline](/docs/diffusers/main/id/api/pipelines/latent_consistency_models#diffusers.LatentConsistencyModelPipeline) dalam 1-8 langkah. | |
| ## LCMScheduler[[diffusers.LCMScheduler]] | |
| #### diffusers.LCMScheduler[[diffusers.LCMScheduler]] | |
| ```python | |
| diffusers.LCMScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.00085, beta_end: float = 0.012, beta_schedule: str = 'scaled_linear', trained_betas: numpy.ndarray | list[float] | None = None, original_inference_steps: int = 50, clip_sample: bool = False, clip_sample_range: float = 1.0, set_alpha_to_one: bool = True, steps_offset: int = 0, prediction_type: str = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, timestep_spacing: str = 'leading', timestep_scaling: float = 10.0, rescale_betas_zero_snr: bool = False) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L142) | |
| **Parameter:** | |
| num_train_timesteps (`int`, defaultnya `1000`) : Jumlah langkah difusi untuk melatih model. | |
| beta_start (`float`, defaultnya `0.00085`) : Nilai awal `beta` untuk inferensi. | |
| beta_end (`float`, defaultnya `0.012`) : Nilai `beta` akhir. | |
| beta_schedule (`str`, defaultnya `"scaled_linear"`) : Jadwal beta, pemetaan dari rentang beta ke urutan beta untuk melangkah model. Pilih dari `linear`, `scaled_linear`, atau `squaredcos_cap_v2`. | |
| trained_betas (`np.ndarray` atau `list[float]`, *opsional*) : Teruskan array beta secara langsung ke konstruktor untuk melewati `beta_start` dan `beta_end`. | |
| original_inference_steps (`int`, defaultnya `50`) : Jumlah langkah inferensi default yang digunakan untuk menghasilkan jadwal timestep yang tersebar secara linear, yang dari sana pada akhirnya akan diambil `num_inference_steps` timestep yang tersebar merata untuk membentuk jadwal timestep final. | |
| clip_sample (`bool`, defaultnya `False`) : Memotong sampel prediksi untuk stabilitas numerik. | |
| clip_sample_range (`float`, defaultnya `1.0`) : Magnitudo maksimum untuk pemotongan sampel. Hanya valid ketika `clip_sample=True`. | |
| set_alpha_to_one (`bool`, defaultnya `True`) : Setiap langkah difusi menggunakan nilai produk alfa pada langkah tersebut dan pada langkah sebelumnya. Untuk langkah terakhir, tidak ada alfa sebelumnya. Ketika opsi ini `True`, produk alfa sebelumnya ditetapkan ke `1`, selain itu menggunakan nilai alfa pada langkah 0. | |
| steps_offset (`int`, defaultnya `0`) : Offset yang ditambahkan ke langkah inferensi, sesuai dengan kebutuhan beberapa keluarga model. | |
| prediction_type (`str`, defaults to `"epsilon"`) : 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). | |
| thresholding (`bool`, defaultnya `False`) : Apakah akan menggunakan metode "dynamic thresholding". Metode ini tidak cocok untuk model difusi ruang laten seperti Stable Diffusion. | |
| dynamic_thresholding_ratio (`float`, defaultnya `0.995`) : Rasio untuk metode ambang dinamis. Hanya valid ketika `thresholding=True`. | |
| sample_max_value (`float`, defaultnya `1.0`) : Nilai ambang untuk pengambangan dinamis. Hanya valid ketika `thresholding=True`. | |
| timestep_spacing (`str`, defaultnya `"leading"`) : Cara timestep harus diskalakan. Lihat Tabel 2 dari [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) untuk informasi lebih lanjut. | |
| timestep_scaling (`float`, defaultnya `10.0`) : Faktor yang akan dikalikan dengan timesteps saat menghitung kondisi batas model konsistensi `c_skip` dan `c_out`. Meningkatkan nilai ini akan mengurangi error aproksimasi (meskipun error aproksimasi pada nilai default `10.0` sudah cukup kecil). | |
| rescale_betas_zero_snr (`bool`, defaultnya `False`) : Apakah akan melakukan penskalaan ulang betas agar memiliki SNR terminal nol. Hal ini memungkinkan model untuk menghasilkan sampel yang sangat terang dan gelap, alih-alih membatasi pada sampel dengan kecerahan sedang. Terkait secara longgar dengan [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506). | |
| `LCMScheduler` memperluas prosedur denoising yang diperkenalkan dalam denoising diffusion probabilistic models (DDPM) dengan panduan non-Markovian. | |
| Model ini mewarisi dari [SchedulerMixin](/docs/diffusers/main/id/api/schedulers/overview#diffusers.SchedulerMixin) dan [ConfigMixin](/docs/diffusers/main/id/api/configuration#diffusers.ConfigMixin). [~ConfigMixin](/docs/diffusers/main/id/api/configuration#diffusers.ConfigMixin) menangani penyimpanan semua atribut konfigurasi yang diteruskan dalam fungsi `__init__` scheduler, seperti `num_train_timesteps`. Atribut tersebut dapat diakses melalui `scheduler.config.num_train_timesteps`. [SchedulerMixin](/docs/diffusers/main/id/api/schedulers/overview#diffusers.SchedulerMixin) menyediakan fungsionalitas pemuatan dan penyimpanan umum melalui fungsi [SchedulerMixin.save_pretrained()](/docs/diffusers/main/id/api/schedulers/overview#diffusers.SchedulerMixin.save_pretrained) dan [from_pretrained()](/docs/diffusers/main/id/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained). | |
| #### add_noise[[diffusers.LCMScheduler.add_noise]] | |
| ```python | |
| add_noise(original_samples: Tensor, noise: Tensor, timesteps: IntTensor) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L667) | |
| **Parameter:** | |
| original_samples (`torch.Tensor`) : Sampel asli yang akan ditambahkan dengan noise. | |
| noise (`torch.Tensor`) : Kebisingan yang akan ditambahkan ke sampel. | |
| timesteps (`torch.IntTensor`) : Langkah waktu yang menunjukkan tingkat noise untuk setiap sampel. | |
| **Mengembalikan:** `torch.Tensor` | |
| Sampel yang bising. | |
| Tambahkan noise ke sampel asli sesuai dengan magnitudo noise pada setiap timestep (ini adalah proses difusi maju). | |
| #### get_scalings_for_boundary_condition_discrete[[diffusers.LCMScheduler.get_scalings_for_boundary_condition_discrete]] | |
| ```python | |
| get_scalings_for_boundary_condition_discrete(timestep: int) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L548) | |
| **Parameter:** | |
| timestep (`int`) : Langkah waktu diskret untuk menghitung penskalaan. | |
| **Mengembalikan:** `tuple[float, float]` | |
| Tuple yang berisi `c_skip` (skala untuk sampel input) dan `c_out` (skala untuk sampel denoised yang diprediksi). | |
| Menghitung penskalaan kondisi batas (`c_skip` dan `c_out`) untuk langkah waktu diskret yang diberikan, sebagaimana digunakan dalam Latent Consistency Model. | |
| #### get_velocity[[diffusers.LCMScheduler.get_velocity]] | |
| ```python | |
| get_velocity(sample: Tensor, noise: Tensor, timesteps: IntTensor) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L710) | |
| **Parameter:** | |
| sample (`torch.Tensor`) : Sampel input. | |
| noise (`torch.Tensor`) : Tensor noise. | |
| timesteps (`torch.IntTensor`) : Langkah waktu untuk komputasi kecepatan. | |
| **Mengembalikan:** `torch.Tensor` | |
| Kecepatan yang dihitung. | |
| Hitung prediksi kecepatan dari sampel dan noise sesuai dengan rumus kecepatan. | |
| #### index_for_timestep[[diffusers.LCMScheduler.index_for_timestep]] | |
| ```python | |
| index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L262) | |
| **Parameter:** | |
| timestep (`float` atau `torch.Tensor`) : Nilai timestep yang akan dicari dalam jadwal. | |
| schedule_timesteps (`torch.Tensor`, *opsional*) : Jadwal timestep untuk dicari. Jika `None`, menggunakan `self.timesteps`. | |
| **Mengembalikan:** `int` | |
| Indeks timestep dalam jadwal. Untuk langkah pertama, mengembalikan indeks kedua jika ada beberapa kecocokan untuk menghindari pengabaian sigma saat memulai di tengah jadwal (misalnya, untuk image-to-image). | |
| Cari indeks dari timestep tertentu dalam jadwal timestep. | |
| #### previous_timestep[[diffusers.LCMScheduler.previous_timestep]] | |
| ```python | |
| previous_timestep(timestep) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L755) | |
| **Parameter:** | |
| timestep (`int`) : Langkah waktu saat ini. | |
| **Mengembalikan:** `int` atau `torch.Tensor` | |
| Langkah waktu sebelumnya. | |
| Hitung langkah waktu sebelumnya dalam rantai difusi. | |
| #### scale_model_input[[diffusers.LCMScheduler.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_lcm.py#L341) | |
| **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. | |
| #### set_begin_index[[diffusers.LCMScheduler.set_begin_index]] | |
| ```python | |
| set_begin_index(begin_index: int = 0) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L331) | |
| **Parameter:** | |
| begin_index (`int`, defaultnya `0`) : Indeks awal untuk scheduler. | |
| Menetapkan indeks awal untuk penjadwal. Fungsi ini harus dijalankan dari pipeline sebelum inferensi. | |
| #### set_timesteps[[diffusers.LCMScheduler.set_timesteps]] | |
| ```python | |
| set_timesteps(num_inference_steps: int | None = None, device: typing.Union[str, torch.device, NoneType] = None, original_inference_steps: int | None = None, timesteps: list[int] | None = None, strength: float = 1.0) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L402) | |
| **Parameter:** | |
| num_inference_steps (`int`, *opsional*) : Jumlah langkah difusi yang digunakan saat menghasilkan sampel dengan model terlatih. Jika digunakan, `timesteps` harus `None`. | |
| device (`str` atau `torch.device`, *opsional*) : Perangkat tempat timestep harus dipindahkan. Jika `None`, timestep tidak dipindahkan. | |
| original_inference_steps (`int`, *opsional*) : Jumlah langkah inferensi asli, yang akan digunakan untuk menghasilkan jadwal timestep yang tersebar secara linear (yang berbeda dari implementasi `diffusers` standar). Kami kemudian akan mengambil `num_inference_steps` timestep dari jadwal ini, yang tersebar merata dalam hal indeks, dan menggunakannya sebagai jadwal timestep akhir. Jika tidak diatur, ini akan secara default menggunakan atribut `original_inference_steps`. | |
| timesteps (`list[int]`, *opsional*) : Timesteps kustom yang digunakan untuk mendukung spasi arbitrer antar timesteps. Jika `None`, maka strategi spasi timestep default berupa spasi yang sama antar timesteps pada jadwal timestep pelatihan/distilasi akan digunakan. Jika `timesteps` diteruskan, `num_inference_steps` harus `None`. | |
| strength (`float`, defaultnya `1.0`) : Faktor kekuatan yang digunakan untuk menghasilkan jadwal timestep parsial (misalnya untuk image-to-image). Nilai `1.0` menggunakan jadwal penuh. | |
| **Mengembalikan:** `None` | |
| Menetapkan langkah waktu diskrit yang digunakan untuk rantai difusi (untuk dijalankan sebelum inferensi). | |
| #### langkah[[diffusers.LCMScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: int, sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L569) | |
| **Parameter:** | |
| model_output (`torch.Tensor`) : Output langsung dari model difusi yang telah dipelajari. | |
| timestep (`int`) : Langkah waktu diskret 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 pengambilan sampel yang dapat direproduksi. | |
| return_dict (`bool`, defaultnya `True`) : Apakah akan mengembalikan `LCMSchedulerOutput` atau `tuple`. | |
| **Mengembalikan:** `LCMSchedulerOutput` atau `tuple` | |
| Jika `True`, `LCMSchedulerOutput` 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:
- 13 kB
- Xet hash:
- 17eac5885bbc56e3dc1a5d309eeedbb41eb464d23f67973674ae847478f71233
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.