Buckets:

hf-doc-build/doc / diffusers /main /ko /api /schedulers /edm_multistep_dpm_solver.md
mishig's picture
|
download
raw
17.7 kB

EDMDPMSolverMultistepScheduler

EDMDPMSolverMultistepScheduler는 Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li, Jun Zhu가 발표한 DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps 및 DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models에 등장하는 멀티스텝 스케줄러인 DPMSolverMultistepScheduler의 Karras formulation입니다.

DPMSolver (그리고 개선된 버전인 DPMSolver++)는 수렴 차수를 보장하는 확산 ODE를 위한 빠르고 전용적인 고차 솔버입니다. 경험적으로, DPMSolver 샘플링은 단 20단계만으로도 고품질 샘플을 생성할 수 있으며, 10단계에서도 상당히 좋은 샘플을 생성할 수 있습니다.

EDMDPMSolverMultistepScheduler[[diffusers.EDMDPMSolverMultistepScheduler]]

diffusers.EDMDPMSolverMultistepScheduler[[diffusers.EDMDPMSolverMultistepScheduler]]

diffusers.EDMDPMSolverMultistepScheduler(sigma_min: float = 0.002, sigma_max: float = 80.0, sigma_data: float = 0.5, sigma_schedule: typing.Literal['karras', 'exponential'] = 'karras', num_train_timesteps: int = 1000, prediction_type: typing.Literal['epsilon', 'sample', 'v_prediction'] = 'epsilon', rho: float = 7.0, solver_order: int = 2, thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, algorithm_type: typing.Literal['dpmsolver++', 'sde-dpmsolver++'] = 'dpmsolver++', solver_type: typing.Literal['midpoint', 'heun'] = 'midpoint', lower_order_final: bool = True, euler_at_final: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')

소스

매개변수:

sigma_min (float, 선택 사항, 기본값 0.002) : 시그마 스케줄의 최소 노이즈 크기입니다. EDM 논문 [1]에서는 0.002로 설정했으며, 적절한 범위는 [0, 10]입니다.

sigma_max (float, 선택 사항, 기본값 80.0) : 시그마 스케줄의 최대 노이즈 크기입니다. EDM 논문 [1]에서는 80.0으로 설정했으며, 적절한 범위는 [0.2, 80.0]입니다.

sigma_data (float, 선택 사항, 기본값 0.5) : 데이터 분포의 표준 편차입니다. EDM 논문 [1]에서는 0.5로 설정되어 있습니다.

sigma_schedule (str, 선택 사항, 기본값 karras) : sigmas를 계산할 시그마 스케줄입니다. 기본적으로 EDM 논문(https://huggingface.co/papers/2206.00364)에서 소개된 스케줄을 사용합니다. 다른 허용되는 값은 "exponential"입니다. 지수 스케줄은 이 모델에 통합되었습니다: https://huggingface.co/stabilityai/cosxl.

num_train_timesteps (int, 기본값 1000) : 모델을 학습하기 위한 diffusion step 수입니다.

prediction_type (str, defaults to epsilon, optional) : 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 paper).

rho (float, 선택 사항, 기본값 7.0) : Karras sigma 스케줄의 rho 매개변수입니다. EDM 논문 [1]에서 7.0으로 설정되었습니다.

solver_order (int, 기본값 2) : 1 또는 2 또는 3일 수 있는 DPMSolver의 order입니다. guided sampling에는 solver_order=2를, unconditional sampling에는 solver_order=3를 사용하는 것이 권장됩니다.

thresholding (bool, 기본값은 False) : "dynamic thresholding" 방법을 사용할지 여부입니다. Stable Diffusion과 같은 latent-space diffusion 모델에는 적합하지 않습니다.

dynamic_thresholding_ratio (float, 기본값 0.995) : 동적 임계값 설정 방법의 비율입니다. thresholding=True일 때만 유효합니다.

sample_max_value (float, 기본값 1.0) : 동적 임계값 설정의 임계값입니다. thresholding=True이고 algorithm_type="dpmsolver++"인 경우에만 유효합니다.

algorithm_type (str, 기본값은 dpmsolver++) : 솔버의 알고리즘 유형으로, dpmsolver++ 또는 sde-dpmsolver++를 사용할 수 있습니다. dpmsolver++ 유형은 DPMSolver++ 논문에서 제시된 알고리즘을 구현합니다. Stable Diffusion과 같은 가이드된 샘플링의 경우 solver_order=2와 함께 dpmsolver++ 또는 sde-dpmsolver++ 사용을 권장합니다.

solver_type (str, 기본값 midpoint) : 2차 솔버의 Solver type; midpoint 또는 heun를 사용할 수 있습니다. Solver type은 샘플 품질에 약간 영향을 미치며, 특히 스텝 수가 적은 경우에 그렇습니다. midpoint 솔버 사용을 권장합니다.

lower_order_final (bool, 기본값 True) : 최종 단계에서 저차 솔버를 사용할지 여부입니다. 15 미만의 추론 단계에서만 유효합니다. 이는 15 미만의 단계, 특히 10 이하의 단계에서 DPMSolver의 샘플링을 안정화할 수 있습니다.

euler_at_final (bool, 기본값 False) : 최종 단계에서 오일러 방법을 사용할지 여부입니다. 이는 수치적 안정성과 디테일의 풍부함 사이의 트레이드오프입니다. 추론 단계 수가 적은 경우 DPMSolver의 SDE 변형 샘플링을 안정화할 수 있지만, 때로는 흐려짐 현상을 초래할 수 있습니다.

final_sigmas_type (str, 기본값 "zero") : 샘플링 과정에서 노이즈 스케줄의 최종 sigma 값입니다. "sigma_min"인 경우, 최종 sigma는 학습 스케줄의 마지막 sigma와 동일합니다. zero인 경우, 최종 sigma는 0으로 설정됩니다.

Karras et al. 2022 [1]에서 제시한 EDM 공식에 따라 DPMSolverMultistepScheduler를 구현합니다. EDMDPMSolverMultistepScheduler는 확산 ODE를 위한 빠르고 전용적인 고차 솔버입니다.

[1] Karras, Tero, et al. "Elucidating the Design Space of Diffusion-Based Generative Models." https://huggingface.co/papers/2206.00364

이 모델은 SchedulerMixin과 ConfigMixin을 상속합니다. 로딩 및 저장과 같은 모든 스케줄러에 대해 라이브러리가 구현하는 일반적 메서드에 대해서는 상위 클래스 문서를 확인하세요.

add_noise[[diffusers.EDMDPMSolverMultistepScheduler.add_noise]]

add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)

소스

매개변수:

original_samples (torch.Tensor) : 노이즈가 추가될 원래 샘플.

noise (torch.Tensor) : 원래 샘플에 추가할 노이즈 텐서.

timesteps (torch.Tensor) : 노이즈를 추가할 타임스텝으로, 스케줄에서 노이즈 레벨을 결정합니다.

반환값: torch.Tensor

timestep 스케줄에 따라 노이즈가 스케일링되어 추가된 노이즈 샘플.

지정된 timesteps의 noise schedule에 따라 원래 샘플에 노이즈를 추가합니다.

convert_model_output[[diffusers.EDMDPMSolverMultistepScheduler.convert_model_output]]

convert_model_output(model_output: Tensor, sample: Tensor)

소스

매개변수:

model_output (torch.Tensor) : 학습된 diffusion 모델의 직접적인 출력입니다.

sample (torch.Tensor) : 확산 과정에서 생성된 샘플의 현재 인스턴스.

반환값: torch.Tensor

변환된 모델 출력

DPMSolver/DPMSolver++ 알고리즘이 요구하는 해당 유형으로 모델 출력을 변환합니다. DPM-Solver는 노이즈 예측 모델의 적분을 이산화하도록 설계되었으며, DPM-Solver++는 데이터 예측 모델의 적분을 이산화하도록 설계되었습니다.

> 알고리즘과 모델 유형은 분리되어 있습니다. DPMSolver 또는 DPMSolver++를 둘 다에 사용할 수 있습니다 noise > 예측 및 데이터 예측 모델.

dpm_solver_first_order_update[[diffusers.EDMDPMSolverMultistepScheduler.dpm_solver_first_order_update]]

dpm_solver_first_order_update(model_output: Tensor, sample: Tensor, noise: typing.Optional[torch.Tensor] = None)

소스

매개변수:

model_output (torch.Tensor) : 학습된 diffusion 모델의 직접적인 출력입니다.

sample (torch.Tensor) : 확산 과정에서 생성된 샘플의 현재 인스턴스.

noise (torch.Tensor, 선택 사항) : 원래 샘플에 추가할 노이즈 텐서입니다.

반환값: torch.Tensor

이전 시간 단계의 샘플 텐서.

1차 DPMSolver의 한 단계(DDIM과 동일).

index_for_timestep[[diffusers.EDMDPMSolverMultistepScheduler.index_for_timestep]]

index_for_timestep(timestep: typing.Union[int, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)

소스

매개변수:

timestep (int 또는 torch.Tensor) : 인덱스를 찾을 타임스텝입니다.

schedule_timesteps (torch.Tensor, 선택 사항) : 검색할 timestep schedule입니다. None인 경우 self.timesteps를 사용합니다.

반환값: int

schedule에서 timestep의 인덱스입니다.

schedule에서 주어진 timestep에 해당하는 인덱스를 찾습니다.

multistep_dpm_solver_second_order_update[[diffusers.EDMDPMSolverMultistepScheduler.multistep_dpm_solver_second_order_update]]

multistep_dpm_solver_second_order_update(model_output_list: typing.List[torch.Tensor], sample: Tensor, noise: typing.Optional[torch.Tensor] = None)

소스

매개변수:

model_output_list (list[torch.Tensor]) : 현재 및 이후 timestep에서 학습된 diffusion 모델의 직접 출력입니다.

sample (torch.Tensor) : 확산 과정에서 생성된 샘플의 현재 인스턴스.

noise (torch.Tensor, 선택 사항) : 원래 샘플에 추가할 노이즈 텐서입니다.

반환값: torch.Tensor

이전 시간 단계의 샘플 텐서.

2차 다단계 DPMSolver의 한 단계.

multistep_dpm_solver_third_order_update[[diffusers.EDMDPMSolverMultistepScheduler.multistep_dpm_solver_third_order_update]]

multistep_dpm_solver_third_order_update(model_output_list: list[torch.Tensor], sample: Tensor)

소스

매개변수:

model_output_list (list[torch.Tensor]) : 현재 및 이후 timestep에서 학습된 diffusion 모델의 직접 출력입니다.

sample (torch.Tensor) : diffusion process에 의해 생성된 샘플의 현재 인스턴스.

반환값: torch.Tensor

이전 시간 단계의 샘플 텐서.

3차 다단계 DPMSolver의 한 단계.

precondition_inputs[[diffusers.EDMDPMSolverMultistepScheduler.precondition_inputs]]

precondition_inputs(sample: Tensor, sigma: typing.Union[float, torch.Tensor])

소스

매개변수:

sample (torch.Tensor) : 전처리할 입력 샘플 텐서.

sigma (float 또는 torch.Tensor) : 현재 sigma(노이즈 레벨) 값.

반환값: torch.Tensor

스케일된 입력 샘플.

EDM 공식에 따라 입력 샘플을 스케일링하여 전처리합니다.

precondition_noise[[diffusers.EDMDPMSolverMultistepScheduler.precondition_noise]]

precondition_noise(sigma: typing.Union[float, torch.Tensor])

소스

매개변수:

sigma (float 또는 torch.Tensor) : 전처리할 시그마(노이즈 레벨) 값.

반환값: torch.Tensor

0.25 * log(sigma)로 계산된 사전 조건화 노이즈 값.

로그 변환을 적용하여 노이즈 레벨을 사전 처리합니다.

precondition_outputs[[diffusers.EDMDPMSolverMultistepScheduler.precondition_outputs]]

precondition_outputs(sample: Tensor, model_output: Tensor, sigma: typing.Union[float, torch.Tensor])

소스

매개변수:

sample (torch.Tensor) : 입력 샘플 텐서.

model_output (torch.Tensor) : 학습된 diffusion 모델의 직접적인 출력입니다.

sigma (float 또는 torch.Tensor) : 현재 sigma(노이즈 레벨) 값.

반환값: torch.Tensor

skip connection과 output scaling을 결합하여 계산된 denoised sample.

EDM 공식에 따라 모델 출력을 사전 조건화합니다.

scale_model_input[[diffusers.EDMDPMSolverMultistepScheduler.scale_model_input]]

scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])

소스

매개변수:

sample (torch.Tensor) : 입력 샘플 텐서.

timestep (float 또는 torch.Tensor) : diffusion chain의 현재 timestep.

반환값: torch.Tensor

스케일된 입력 샘플.

Euler 알고리즘에 맞게 denoising model 입력을 스케일링합니다. 현재 timestep에 따라 denoising model 입력을 스케일링해야 하는 스케줄러와의 호환성을 보장합니다.

set_begin_index[[diffusers.EDMDPMSolverMultistepScheduler.set_begin_index]]

set_begin_index(begin_index: int = 0)

소스

매개변수:

begin_index (int, 기본값 0) : 스케줄러의 시작 인덱스입니다.

… 스케줄러의 시작 인덱스를 설정합니다. 이 함수는 추론 전에 파이프라인에서 실행해야 합니다.

set_timesteps[[diffusers.EDMDPMSolverMultistepScheduler.set_timesteps]]

set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device, NoneType] = None)

소스

매개변수:

num_inference_steps (int) : 사전 학습된 모델로 샘플을 생성할 때 사용되는 확산 단계의 수.

device (str 또는 torch.device, 선택 사항) : timesteps를 이동할 대상 device입니다. None인 경우 timesteps는 이동되지 않습니다.

추론 실행 전에 실행할 diffusion chain에 사용할 이산 timesteps를 설정합니다.

step[[diffusers.EDMDPMSolverMultistepScheduler.step]]

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

소스

매개변수:

model_output (torch.Tensor) : 학습된 diffusion model의 직접적인 출력입니다.

timestep (int) : 확산 체인(diffusion chain)의 현재 이산 시간 단계(discrete timestep).

sample (torch.Tensor) : 확산 과정에서 생성된 샘플의 현재 인스턴스.

generator (torch.Generator, 선택 사항) : 난수 생성기입니다.

return_dict (bool) : SchedulerOutput 또는 tuple을 반환할지 여부.

반환값: SchedulerOutput 또는 tuple

return_dict가 True인 경우 SchedulerOutput이 반환되고, 그렇지 않으면 첫 번째 요소가 샘플 텐서인 튜플이 반환됩니다.

이전 시간 단계의 샘플을 SDE를 역방향으로 적용하여 예측합니다. 이 함수는 멀티스텝 DPMSolver를 사용하여 샘플을 전파합니다.

SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]

diffusers.schedulers.scheduling_utils.SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]

diffusers.schedulers.scheduling_utils.SchedulerOutput(prev_sample: Tensor)

소스

매개변수:

prev_sample (torch.Tensor, 이미지인 경우 shape는 (batch_size, num_channels, height, width)) : 이전 timestep의 계산된 샘플 (x_{t-1}). prev_sample은 denoising 루프에서 다음 모델 입력으로 사용해야 합니다.

스케줄러의 step 함수 출력을 위한 베이스 클래스.

Xet Storage Details

Size:
17.7 kB
·
Xet hash:
2fc3ea539262ec59d9d3f2cfd47c50e100065dcd74c0033f3a799228132ef15c

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