Buckets:

mishig's picture
|
download
raw
6.19 kB

HeliosScheduler

HeliosScheduler은 Helios에서 소개된 피라미드형 flow-matching 샘플링을 기반으로 합니다.

HeliosScheduler[[diffusers.HeliosScheduler]]

diffusers.HeliosScheduler[[diffusers.HeliosScheduler]]

diffusers.HeliosScheduler(num_train_timesteps: int = 1000, shift: float = 1.0, stages: int = 3, stage_range: list = [0, 0.3333333333333333, 0.6666666666666666, 1], gamma: float = 0.3333333333333333, thresholding: bool = False, prediction_type: str = 'flow_prediction', solver_order: int = 2, predict_x0: bool = True, solver_type: str = 'bh2', lower_order_final: bool = True, disable_corrector: list[int] = [], solver_p: SchedulerMixin = None, use_flow_sigmas: bool = True, scheduler_type: str = 'unipc', use_dynamic_shifting: bool = False, time_shift_type: typing.Literal['exponential', 'linear'] = 'exponential')

소스

convert_model_output[[diffusers.HeliosScheduler.convert_model_output]]

convert_model_output(model_output: Tensor, *args, sample: Tensor = None, sigma: Tensor = None, **kwargs)

소스

매개변수:

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

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

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

sigma (torch.Tensor, 선택 사항) : 노이즈 스케줄에서 현재 단계의 시그마입니다.

반환값: torch.Tensor

변환된 모델 출력

UniPC 알고리즘이 필요로 하는 해당 유형으로 모델 출력을 변환합니다.

init_sigmas[[diffusers.HeliosScheduler.init_sigmas]]

init_sigmas()

소스

전역 timesteps와 sigmas를 초기화합니다

init_sigmas_for_each_stage[[diffusers.HeliosScheduler.init_sigmas_for_each_stage]]

init_sigmas_for_each_stage()

소스

각 단계의 timesteps를 초기화합니다

multistep_uni_c_bh_update[[diffusers.HeliosScheduler.multistep_uni_c_bh_update]]

multistep_uni_c_bh_update(this_model_output: Tensor, *args, last_sample: Tensor = None, this_sample: Tensor = None, order: int = None, sigma_before: Tensor = None, sigma: Tensor = None, **kwargs)

소스

매개변수:

this_model_output (torch.Tensor) : x_t에서의 모델 출력입니다.

this_timestep (int) : 현재 타임스텝 t.

last_sample (torch.Tensor) : 마지막 예측기 x_{t-1} 이전의 생성된 샘플.

this_sample (torch.Tensor) : 마지막 predictor x_{t} 이후 생성된 샘플.

order (int) : 이 단계의 UniC-p의 p입니다. 유효한 정확도 차수는 order + 1이어야 합니다.

sigma_before (torch.Tensor, 선택 사항) : 노이즈 스케줄에서 이전 단계의 시그마입니다.

sigma (torch.Tensor, 선택 사항) : 노이즈 스케줄에서 현재 단계의 시그마입니다.

반환값: torch.Tensor

현재 타임스텝에서 보정된 샘플 텐서.

UniC(B(h) 버전)의 한 단계.

multistep_uni_p_bh_update[[diffusers.HeliosScheduler.multistep_uni_p_bh_update]]

multistep_uni_p_bh_update(model_output: Tensor, *args, sample: Tensor = None, order: int = None, sigma: Tensor = None, sigma_next: Tensor = None, **kwargs)

소스

매개변수:

model_output (torch.Tensor) : 현재 timestep에서 학습된 diffusion 모델의 직접 출력입니다.

prev_timestep (int) : 확산 체인에서 이전의 이산 시간 단계입니다.

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

order (int) : 해당 timestep에서의 UniP 순서 (UniPC-p의 p에 해당).

sigma (torch.Tensor, 선택 사항) : 노이즈 스케줄에서 현재 단계의 시그마입니다.

sigma_next (torch.Tensor, 선택 사항) : 노이즈 스케줄에서 다음 단계의 시그마입니다.

반환값: torch.Tensor

이전 시간 단계의 샘플 텐서.

UniP(B(h) 버전)의 한 단계입니다. 대신, 지정된 경우 self.solver_p가 사용됩니다.

set_begin_index[[diffusers.HeliosScheduler.set_begin_index]]

set_begin_index(begin_index: int = 0)

소스

매개변수:

begin_index (int) : 스케줄러의 시작 인덱스.

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

set_timesteps[[diffusers.HeliosScheduler.set_timesteps]]

set_timesteps(num_inference_steps: int, stage_index: int | None = None, device: typing.Union[str, torch.device] = None, sigmas: bool | None = None, mu: bool | None = None, is_amplify_first_chunk: bool = False)

소스

각 단계의 timesteps와 sigmas 설정

time_shift[[diffusers.HeliosScheduler.time_shift]]

time_shift(mu: float, sigma: float, t: Tensor)

소스

매개변수:

mu (float) : 시간 시프트를 위한 mu 매개변수.

sigma (float) : 시간 시프트를 위한 sigma 매개변수.

t (torch.Tensor) : 입력 timesteps.

반환값: torch.Tensor

시간이 이동된 타임스텝

sigmas에 시간 시프트를 적용합니다.

scheduling_helios

Xet Storage Details

Size:
6.19 kB
·
Xet hash:
438cae338d20d43bccd81248134e3dc1ce4aafb4baafb743906d111dbf05f02f

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