diffusers/main/ko/api/schedulers/euler.md

EulerDiscreteScheduler

Euler 스케줄러(Algorithm 2)는 Karras 외의 Elucidating the Design Space of Diffusion-Based Generative Models 논문에서 제시된 것입니다. 이는 20~30단계로 좋은 출력을 생성할 수 있는 빠른 스케줄러입니다. 해당 스케줄러는 Katherine Crowson의 원래 k-diffusion 구현을 기반으로 합니다.

EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

diffusers.EulerDiscreteScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: str = 'linear', trained_betas: numpy.ndarray | list[float] | None = None, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool | None = False, use_exponential_sigmas: bool | None = False, use_beta_sigmas: bool | None = False, sigma_min: float | None = None, sigma_max: float | None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')

소스

매개변수:

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

beta_start (float, 기본값 0.0001) : 추론의 시작 beta 값입니다.

beta_end (float, 기본값 0.02) : 최종 beta 값.

beta_schedule (Literal["linear", "scaled_linear", "squaredcos_cap_v2"], 기본값은 "linear") : 베타 스케줄입니다. 베타 범위를 모델의 스테핑에 사용할 베타 시퀀스로 매핑합니다. "linear", "scaled_linear", 또는 "squaredcos_cap_v2" 중 하나를 선택합니다.

trained_betas (np.ndarray, 선택 사항) : beta_start와 beta_end를 우회하여 베타 배열을 생성자에 직접 전달합니다.

prediction_type (Literal["epsilon", "sample", "v_prediction"], 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).

interpolation_type (Literal["linear", "log_linear"], 기본값 "linear", 선택 사항) : 스케줄러의 디노이징 단계에서 중간 시그마를 계산하기 위한 보간 유형입니다. "linear" 또는 "log_linear" 중 하나여야 합니다.

use_karras_sigmas (bool, 선택 사항, 기본값 False) : 샘플링 과정에서 노이즈 스케줄의 단계 크기에 Karras sigmas를 사용할지 여부입니다. True인 경우, sigmas는 노이즈 레벨 {σi}의 시퀀스에 따라 결정됩니다.

use_exponential_sigmas (bool, 선택 사항, 기본값 False) : 샘플링 과정에서 노이즈 스케줄의 스텝 크기에 지수 시그마를 사용할지 여부입니다.

use_beta_sigmas (bool, optional, defaults to False) : Whether to use beta sigmas for step sizes in the noise schedule during the sampling process. Refer to Beta Sampling is All You Need for more information.

sigma_min (float, 선택 사항) : 노이즈 스케줄의 최소 sigma 값입니다. 제공되지 않으면 스케줄의 마지막 sigma 값이 기본값으로 사용됩니다.

sigma_max (float, 선택 사항) : 노이즈 스케줄의 최대 시그마 값입니다. 제공되지 않으면 스케줄의 첫 번째 시그마 값이 기본값으로 사용됩니다.

timestep_spacing (Literal["linspace", "leading", "trailing"], defaults to "linspace") : The way the timesteps should be scaled. Refer to Table 2 of the Common Diffusion Noise Schedules and Sample Steps are Flawed for more information.

timestep_type (Literal["discrete", "continuous"], 기본값은 "discrete") : 사용할 timesteps의 유형입니다. "discrete" 또는 "continuous"를 사용할 수 있습니다.

steps_offset (int, 기본값 0) : 일부 모델 계열에서 요구하는 추론 단계에 추가되는 오프셋입니다.

rescale_betas_zero_snr (bool, 기본값 False) : 베타를 재조정하여 최종 SNR이 0이 되도록 할지 여부입니다. 이를 통해 모델은 중간 밝기의 샘플로 제한되는 대신 매우 밝고 어두운 샘플을 생성할 수 있습니다. --offset_noise와 느슨하게 관련이 있습니다.

final_sigmas_type (Literal["zero", "sigma_min"], 기본값은 "zero") : 샘플링 과정에서 노이즈 스케줄의 최종 sigma 값입니다. "sigma_min"인 경우, 최종 sigma는 학습 스케줄의 마지막 sigma와 동일합니다. "zero"인 경우, 최종 sigma는 0으로 설정됩니다.

Euler 스케줄러.

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

add_noise[[diffusers.EulerDiscreteScheduler.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.

get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

get_velocity(sample: Tensor, noise: Tensor, timesteps: Tensor)

소스

매개변수:

sample (torch.Tensor) : 속도를 계산할 입력 샘플.

noise (torch.Tensor) : 샘플에 해당하는 노이즈 텐서.

timesteps (torch.Tensor) : 속도를 계산할 타임스텝.

반환값: torch.Tensor

sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample로 계산된 속도 예측입니다.

…

이 메서드는 v-prediction 모델에서 사용되는 속도 예측을 구현하며, 샘플과 노이즈의 선형 결합을 예측합니다.

index_for_timestep[[diffusers.EulerDiscreteScheduler.index_for_timestep]]

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

소스

매개변수:

timestep (float 또는 torch.Tensor) : 스케줄에서 찾을 타임스텝 값.

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

반환값: int

스케줄에서 timestep의 인덱스입니다. 가장 첫 번째 단계의 경우, 스케줄 중간에서 시작할 때(예: image-to-image) sigma를 건너뛰지 않도록 여러 매치가 존재하면 두 번째 인덱스를 반환합니다.

…

scale_model_input[[diffusers.EulerDiscreteScheduler.scale_model_input]]

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

소스

매개변수:

sample (torch.Tensor) : 스케일링할 입력 샘플.

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

반환값: torch.Tensor

(sigma**2 + 1) ** 0.5로 나눈 스케일링된 입력 샘플.

현재 timestep에 따라 denoising 모델 입력을 스케일링해야 하는 스케줄러와의 호환성을 보장합니다. Euler 알고리즘에 맞추기 위해 denoising 모델 입력을 (sigma**2 + 1) ** 0.5로 스케일링합니다.

set_begin_index[[diffusers.EulerDiscreteScheduler.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.EulerDiscreteScheduler.set_timesteps]]

set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, timesteps: list[int] | None = None, sigmas: list[float] | None = None)

소스

매개변수:

num_inference_steps (int, 선택 사항) : 사전 학습된 모델로 샘플을 생성할 때 사용되는 확산 단계 수입니다. None인 경우 timesteps 또는 sigmas를 제공해야 합니다.

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

timesteps (list[int], 선택 사항) : 임의의 timesteps 스케줄을 지원하기 위해 사용되는 사용자 지정 timesteps입니다. None인 경우, timestep_spacing 속성에 기반하여 timesteps가 생성됩니다. timesteps가 전달되면 num_inference_steps와 sigmas는 None이어야 하며, timestep_spacing 속성은 무시됩니다.

sigmas (list[float], 선택 사항) : 임의의 timesteps 스케줄을 지원하기 위해 사용되는 사용자 정의 sigmas입니다. None인 경우, 관련 스케줄러 속성에 기반하여 timesteps와 sigmas가 생성됩니다. sigmas가 전달되면 num_inference_steps와 timesteps는 None이어야 하며, timesteps는 사용자 정의 sigmas 스케줄에 기반하여 생성됩니다.

추론 실행 전에 실행할 diffusion chain에 사용할 이산 timesteps를 설정합니다.

step[[diffusers.EulerDiscreteScheduler.step]]

step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)

소스

매개변수:

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

timestep (float 또는 torch.Tensor) : 확산 체인(diffusion chain)의 현재 이산 시간 단계(discrete timestep).

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

s_churn (float, 선택 사항, 기본값 0.0) : 샘플링 중에 추가되는 노이즈의 양을 제어하는 확률성 파라미터입니다. 값이 높을수록 무작위성이 증가합니다.

s_tmin (float, 선택 사항, 기본값 0.0) : 확률성을 적용하기 위한 최소 timestep 임계값입니다. 이 값보다 큰 timestep에만 노이즈가 추가됩니다.

s_tmax (float, 선택 사항, 기본값 inf) : 확률성을 적용할 최대 타임스텝 임계값입니다. 이 값보다 작은 타임스텝에만 노이즈가 추가됩니다.

s_noise (float, 선택 사항, 기본값 1.0) : 샘플에 추가되는 노이즈의 스케일링 계수입니다.

generator (torch.Generator, 선택 사항) : 재현 가능한 샘플링을 위한 난수 생성기.

return_dict (bool, 선택 사항, 기본값 True) : EulerDiscreteSchedulerOutput 또는 tuple을 반환할지 여부.

반환값: EulerDiscreteSchedulerOutput 또는 tuple

return_dict가 True인 경우 EulerDiscreteSchedulerOutput이 반환되고, 그렇지 않으면 첫 번째 요소가 샘플 텐서, 두 번째 요소가 예측된 원래 샘플인 튜플이 반환됩니다.

이전 시간 단계의 샘플을 SDE를 역방향으로 적용하여 예측합니다. 이 함수는 학습된 모델의 출력(대부분 예측된 노이즈)으로부터 확산 과정을 전파합니다.

EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)

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.

pred_original_sample (torch.Tensor, 이미지인 경우 shape는 (batch_size, num_channels, height, width)) : 현재 timestep의 모델 출력에 기반한 예측된 노이즈 제거 샘플 (x_{0}). pred_original_sample은 진행 상황 미리보기 또는 가이던스에 사용할 수 있습니다.

스케줄러의 step 함수 출력을 위한 출력 클래스입니다.