Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ja /using-diffusers /schedulers.md

mishig

7 days ago

preview code

download

raw

13 kB

# スケジューラー

スケジューラは、デノイジングループにおいて各ステップでどの程度のノイズを除去するかを指示します。スケジューラによって、速度と品質のトレードオフが異なります。

このガイドでは、スケジューラーを読み込み、そのタイムステップスケジュール、間隔、シグマをカスタマイズする方法を示します。

## スケジューラーの選択

チェックポイントのデフォルトから開始してください。速度と品質のトレードオフを変更する必要がある場合のみ、切り替えてください。

- DPM++ 2M SDE Karras は、多くの潜在拡散チェックポイントにおいて強力な汎用オプションです。
- [TCDScheduler](/docs/diffusers/main/ja/api/schedulers/tcd#diffusers.TCDScheduler) は蒸留モデルに効果的です。
- FlowMatchモデル（Qwen-Image、Fluxなど）には、[FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)または[FlowMatchHeunDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_heun_discrete#diffusers.FlowMatchHeunDiscreteScheduler)を使用してください。
- アニメ風の画像には、[EulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/euler#diffusers.EulerDiscreteScheduler) または [EulerAncestralDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/euler_ancestral#diffusers.EulerAncestralDiscreteScheduler) がよく機能します。
- チェックポイントが対応している場合、少数ステップでの生成のために、LCM UNet または LoRA と組み合わせた [LCMScheduler](/docs/diffusers/main/ja/api/schedulers/lcm#diffusers.LCMScheduler)。

## スケジューラーの読み込み

> [!TIP]
> Qwen-Image や Flux などの Flow-matching モデルでは、デフォルトとして [FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) が同梱されています。意図的に実験を行わない限り、このスケジューラーを維持してください。代替のスケジューラーがチェックポイントと互換性がある場合のみ、[from_config()](/docs/diffusers/main/ja/api/configuration#diffusers.ConfigMixin.from_config) を使用して切り替えてください。

Scheduler は設定のみで構成され、重みテンソルは含まれません。パイプラインの `.scheduler` 属性にアクセスして、読み込まれた設定を確認できます。

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler
```

読み込まれたパイプラインでスケジューラを切り替える場合は、既存のスケジューラ設定を [from_config()](/docs/diffusers/main/ja/api/configuration#diffusers.ConfigMixin.from_config) に渡して使用し、`num_train_timesteps` および関連するフィールドが整合した状態を維持してください。FlowMatch チェックポイント（Qwen-Image、Flux など）では、互換性のある代替スケジューラを意図的に実験する場合を除き、[FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) を維持してください。

```py
from diffusers import DPMSolverMultistepScheduler
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config)
```

[from_pretrained()](/docs/diffusers/main/ja/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained) を使用して Hub からスケジューラーの設定を読み込み、`scheduler` を通じて [from_pretrained()](/docs/diffusers/main/ja/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) に渡すこともできます。

```py
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
dpm = DPMSolverMultistepScheduler.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", subfolder="scheduler"
)
pipeline = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    scheduler=dpm,
    dtype=torch.float16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipeline.scheduler
```

## タイムステップスケジュール

Timestep or noise schedule は、デノイジングプロセスにおけるノイズの分布を決定します。スケジュールは線形である場合もあれば、開始時または終了時に集中するよう設計されている場合もあります。これはスケジューラーのデフォルト設定から生成されるノイズレベルの事前計算されたシーケンスですが、他のスケジュールを使用するようにカスタマイズすることもできます。

```text
linear (even steps)                 AYS (denser where it matters)
noise                               noise
  ^                                   ^
  | *                                 | *
  |  *                                |   *
  |   *                               |    **
  |    *                              |     ***
  |     *                             |      **
  |      *                            |        *
  |       *                           |          *
  +-----------------> step            +-----------------> step
```

> [!TIP]
> カスタムの`timesteps`は、そのスケジューラの`set_timesteps`が引数を受け入れる場合にのみ機能します（パイプラインは`retrieve_timesteps`経由でシグネチャを確認し、受け入れられない場合は`ValueError`を送出します）。渡す前に、スケジューラのAPIページまたは`set_timesteps`のシグネチャを確認してください。
以下の例では、[Align Your Steps (AYS)](https://research.nvidia.com/labs/toronto-ai/AlignYourSteps/)スケジュールを使用しています。このスケジュールは10ステップで高品質な画像を生成でき、生成を大幅に高速化し、計算時間を短縮します。
スケジュールをインポートし、パイプラインの`timesteps`引数に渡します。
```py
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
from diffusers.schedulers import AysSchedules
sampling_schedule = AysSchedules["StableDiffusionXLTimesteps"]
print(sampling_schedule)
# [999, 845, 730, 587, 443, 310, 193, 116, 53, 13]
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
  pipeline.scheduler.config, algorithm_type="sde-dpmsolver++"
)
prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    timesteps=sampling_schedule,
).images[0]
```
  
    
    AYSタイムステップスケジュール 10ステップ
  
  
    
    等間隔のタイムステップスケジュール 10ステップ
  
  
    
    等間隔のタイムステップスケジュール 25ステップ
  
旧チェックポイントにおけるv-prediction/zero-SNRリスケールについては、[Legacy checkpoints](./legacy_checkpoints#rescaling-schedules)を参照してください。

## タイムステップ間隔

Timestep spacingとは、スケジュールからサンプリングする特定のステップ*t*を指します。Diffusersでは、以下に示す3つのspacingタイプが提供されています。

| 間隔戦略 | 間隔の計算 | 例のタイムステップ |
|---|---|---|
| `leading` | 等間隔のステップ | `[900, 800, 700, ..., 100, 0]` |
| `linspace` | 最初のステップと最後のステップを含み、残りの中間ステップを均等に分割します | `[1000, 888.89, 777.78, ..., 111.11, 0]` |
| `trailing` | 最終ステップを含み、残りの中間ステップを末尾から均等に分割します | `[999, 899, 799, 699, 599, 499, 399, 299, 199, 99]` |

スケジューラの `timestep_spacing` 引数に、間隔戦略を渡します。

> [!TIP]
> `trailing`戦略は、より少ないステップ数で、より多くの詳細を含む高品質な画像を生成する傾向がありますが、より標準的なステップ数では、品質の差はそれほど明白ではありません。

```py
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
  pipeline.scheduler.config, timestep_spacing="trailing"
)
prompt = "A cinematic shot of a cute little black cat sitting on a pumpkin at night"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    num_inference_steps=5,
).images[0]
image
```

  
    
    5ステップ後の末尾スペース
  
  
    
    5ステップ後の先行スペース
  
## シグマ

Sigmas は、スケジュールによって定義される特定のステップにおけるサンプルのノイズ量を表す指標です。カスタムの `sigmas` を使用する場合、`timesteps` はデフォルトのスケジューラ設定ではなく、これらの値から計算されます。

```text
step:   0    1    2    3    4
sigma:  σ0 > σ1 > σ2 > σ3 > σ4 ≈ 0
        high noise  --->  clean sample
```

> [!TIP]
> カスタム `sigmas` は、そのスケジューラの `set_timesteps` が引数を受け入れる場合にのみ機能します（パイプラインは `retrieve_timesteps` を介してシグネチャを確認し、受け入れられない場合は `ValueError` を送出します）。渡す前に、スケジューラの API ページまたは `set_timesteps` のシグネチャを確認してください。
カスタムシグマをパイプラインの`sigmas`引数に渡します。以下の例では、10ステップAYSスケジュールの[sigmas](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py)を使用しています。
```py
import torch
from diffusers import DiffusionPipeline, EulerDiscreteScheduler
from diffusers.schedulers import AysSchedules
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config)
sigmas = AysSchedules["StableDiffusionXLSigmas"]
prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    sigmas=sigmas,
).images[0]
```
### Karrasシグマ

[Karras sigmas](https://huggingface.co/papers/2206.00364) は、シグマをシーケンスの中央（構造の再構築が重要となる部分）に高密度に集約し、ノイズの変化の影響が小さいシーケンスの前後ではシグマを少なくすることで、ノイズスケジュールを再サンプリングし、より効率的なサンプリングを実現します。これにより、生成画像の詳細レベルを向上させることができます。

```text
default σ:  *  *  *  *  *  *  *  *     even-ish
Karras σ:   *   * * * * *   *          denser mid, sparser ends
            |---structure---|
```

スケジューラで`use_karras_sigmas=True`を設定して有効にします。

```py
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
  pipeline.scheduler.config,
  algorithm_type="sde-dpmsolver++",
  use_karras_sigmas=True,
)
prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    num_inference_steps=20,
).images[0]
```

  
    
    Karrasシグマが有効
  
  
    
    Karras sigmas が無効化されました
  
Karras sigmasをサポートするスケジューラーの一覧については、スケジューラーAPIの[概要](../api/schedulers/overview)を参照してください。Karras sigmasで学習されたモデルでのみ使用すべきです。

## 次のステップ

- Read the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) paper for more details about rescaling the noise schedule to enforce zero SNR.

Xet Storage Details

Size:: 13 kB
Xet hash:: 8a21ba734f7b575c021ff2e4fb9168fc0fa500e1e93f832475375af9d97d531a

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

	# スケジューラー

	スケジューラは、デノイジングループにおいて各ステップでどの程度のノイズを除去するかを指示します。スケジューラによって、速度と品質のトレードオフが異なります。

	このガイドでは、スケジューラーを読み込み、そのタイムステップスケジュール、間隔、シグマをカスタマイズする方法を示します。

	## スケジューラーの選択

	チェックポイントのデフォルトから開始してください。速度と品質のトレードオフを変更する必要がある場合のみ、切り替えてください。

	- DPM++ 2M SDE Karras は、多くの潜在拡散チェックポイントにおいて強力な汎用オプションです。
	- [TCDScheduler](/docs/diffusers/main/ja/api/schedulers/tcd#diffusers.TCDScheduler) は蒸留モデルに効果的です。
	- FlowMatchモデル（Qwen-Image、Fluxなど）には、[FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)または[FlowMatchHeunDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_heun_discrete#diffusers.FlowMatchHeunDiscreteScheduler)を使用してください。
	- アニメ風の画像には、[EulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/euler#diffusers.EulerDiscreteScheduler) または [EulerAncestralDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/euler_ancestral#diffusers.EulerAncestralDiscreteScheduler) がよく機能します。
	- チェックポイントが対応している場合、少数ステップでの生成のために、LCM UNet または LoRA と組み合わせた [LCMScheduler](/docs/diffusers/main/ja/api/schedulers/lcm#diffusers.LCMScheduler)。

	## スケジューラーの読み込み

	> [!TIP]
	> Qwen-Image や Flux などの Flow-matching モデルでは、デフォルトとして [FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) が同梱されています。意図的に実験を行わない限り、このスケジューラーを維持してください。代替のスケジューラーがチェックポイントと互換性がある場合のみ、[from_config()](/docs/diffusers/main/ja/api/configuration#diffusers.ConfigMixin.from_config) を使用して切り替えてください。

	Scheduler は設定のみで構成され、重みテンソルは含まれません。パイプラインの `.scheduler` 属性にアクセスして、読み込まれた設定を確認できます。

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler
	```

	読み込まれたパイプラインでスケジューラを切り替える場合は、既存のスケジューラ設定を [from_config()](/docs/diffusers/main/ja/api/configuration#diffusers.ConfigMixin.from_config) に渡して使用し、`num_train_timesteps` および関連するフィールドが整合した状態を維持してください。FlowMatch チェックポイント（Qwen-Image、Flux など）では、互換性のある代替スケジューラを意図的に実験する場合を除き、[FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) を維持してください。

	```py
	from diffusers import DPMSolverMultistepScheduler

	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config)
	```

	[from_pretrained()](/docs/diffusers/main/ja/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained) を使用して Hub からスケジューラーの設定を読み込み、`scheduler` を通じて [from_pretrained()](/docs/diffusers/main/ja/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) に渡すこともできます。

	```py
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

	dpm = DPMSolverMultistepScheduler.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0", subfolder="scheduler"
	)
	pipeline = DiffusionPipeline.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0",
	scheduler=dpm,
	dtype=torch.float16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler
	```

	## タイムステップスケジュール

	Timestep or noise schedule は、デノイジングプロセスにおけるノイズの分布を決定します。スケジュールは線形である場合もあれば、開始時または終了時に集中するよう設計されている場合もあります。これはスケジューラーのデフォルト設定から生成されるノイズレベルの事前計算されたシーケンスですが、他のスケジュールを使用するようにカスタマイズすることもできます。

	```text
	linear (even steps) AYS (denser where it matters)
	noise noise
	^ ^
	\| * \| *
	\| * \| *
	\| * \| **
	\| * \| ***
	\| * \| **
	\| * \| *
	\| * \| *
	+-----------------> step +-----------------> step
	```

	> [!TIP]
	> カスタムの`timesteps`は、そのスケジューラの`set_timesteps`が引数を受け入れる場合にのみ機能します（パイプラインは`retrieve_timesteps`経由でシグネチャを確認し、受け入れられない場合は`ValueError`を送出します）。渡す前に、スケジューラのAPIページまたは`set_timesteps`のシグネチャを確認してください。

	以下の例では、[Align Your Steps (AYS)](https://research.nvidia.com/labs/toronto-ai/AlignYourSteps/)スケジュールを使用しています。このスケジュールは10ステップで高品質な画像を生成でき、生成を大幅に高速化し、計算時間を短縮します。

	スケジュールをインポートし、パイプラインの`timesteps`引数に渡します。

	```py
	import torch
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
	from diffusers.schedulers import AysSchedules

	sampling_schedule = AysSchedules["StableDiffusionXLTimesteps"]
	print(sampling_schedule)
	# [999, 845, 730, 587, 443, 310, 193, 116, 53, 13]

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
	pipeline.scheduler.config, algorithm_type="sde-dpmsolver++"
	)

	prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	timesteps=sampling_schedule,
	).images[0]
	```



	AYSタイムステップスケジュール 10ステップ



	等間隔のタイムステップスケジュール 10ステップ



	等間隔のタイムステップスケジュール 25ステップ


	旧チェックポイントにおけるv-prediction/zero-SNRリスケールについては、[Legacy checkpoints](./legacy_checkpoints#rescaling-schedules)を参照してください。

	## タイムステップ間隔

	Timestep spacingとは、スケジュールからサンプリングする特定のステップtを指します。Diffusersでは、以下に示す3つのspacingタイプが提供されています。

	\| 間隔戦略 \| 間隔の計算 \| 例のタイムステップ \|
	\|---\|---\|---\|
	\| `leading` \| 等間隔のステップ \| `[900, 800, 700, ..., 100, 0]` \|
	\| `linspace` \| 最初のステップと最後のステップを含み、残りの中間ステップを均等に分割します \| `[1000, 888.89, 777.78, ..., 111.11, 0]` \|
	\| `trailing` \| 最終ステップを含み、残りの中間ステップを末尾から均等に分割します \| `[999, 899, 799, 699, 599, 499, 399, 299, 199, 99]` \|

	スケジューラの `timestep_spacing` 引数に、間隔戦略を渡します。

	> [!TIP]
	> `trailing`戦略は、より少ないステップ数で、より多くの詳細を含む高品質な画像を生成する傾向がありますが、より標準的なステップ数では、品質の差はそれほど明白ではありません。

	```py
	import torch
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
	pipeline.scheduler.config, timestep_spacing="trailing"
	)

	prompt = "A cinematic shot of a cute little black cat sitting on a pumpkin at night"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	num_inference_steps=5,
	).images[0]
	image
	```



	5ステップ後の末尾スペース



	5ステップ後の先行スペース


	## シグマ

	Sigmas は、スケジュールによって定義される特定のステップにおけるサンプルのノイズ量を表す指標です。カスタムの `sigmas` を使用する場合、`timesteps` はデフォルトのスケジューラ設定ではなく、これらの値から計算されます。

	```text
	step: 0 1 2 3 4
	sigma: σ0 > σ1 > σ2 > σ3 > σ4 ≈ 0
	high noise ---> clean sample
	```

	> [!TIP]
	> カスタム `sigmas` は、そのスケジューラの `set_timesteps` が引数を受け入れる場合にのみ機能します（パイプラインは `retrieve_timesteps` を介してシグネチャを確認し、受け入れられない場合は `ValueError` を送出します）。渡す前に、スケジューラの API ページまたは `set_timesteps` のシグネチャを確認してください。

	カスタムシグマをパイプラインの`sigmas`引数に渡します。以下の例では、10ステップAYSスケジュールの[sigmas](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py)を使用しています。

	```py
	import torch
	from diffusers import DiffusionPipeline, EulerDiscreteScheduler
	from diffusers.schedulers import AysSchedules

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config)

	sigmas = AysSchedules["StableDiffusionXLSigmas"]
	prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	sigmas=sigmas,
	).images[0]
	```

	### Karrasシグマ

	[Karras sigmas](https://huggingface.co/papers/2206.00364) は、シグマをシーケンスの中央（構造の再構築が重要となる部分）に高密度に集約し、ノイズの変化の影響が小さいシーケンスの前後ではシグマを少なくすることで、ノイズスケジュールを再サンプリングし、より効率的なサンプリングを実現します。これにより、生成画像の詳細レベルを向上させることができます。

	```text
	default σ: * * * * * * * * even-ish
	Karras σ: * * * * * * * denser mid, sparser ends
	\|---structure---\|
	```

	スケジューラで`use_karras_sigmas=True`を設定して有効にします。

	```py
	import torch
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
	pipeline.scheduler.config,
	algorithm_type="sde-dpmsolver++",
	use_karras_sigmas=True,
	)

	prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	num_inference_steps=20,
	).images[0]
	```



	Karrasシグマが有効



	Karras sigmas が無効化されました


	Karras sigmasをサポートするスケジューラーの一覧については、スケジューラーAPIの[概要](../api/schedulers/overview)を参照してください。Karras sigmasで学習されたモデルでのみ使用すべきです。

	## 次のステップ

	- Read the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) paper for more details about rescaling the noise schedule to enforce zero SNR.