Buckets:
| # Latent Consistency Model Multistep Scheduler | |
| ## 개요 | |
| Simian Luo, Yiqin Tan, Longbo Huang, Jian Li, Hang Zhao의 논문 [Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference](https://huggingface.co/papers/2310.04378)에서 latent consistency models와 함께 소개된 Multistep and onestep scheduler(Algorithm 3)입니다. 이 scheduler는 [LatentConsistencyModelPipeline](/docs/diffusers/main/ko/api/pipelines/latent_consistency_models#diffusers.LatentConsistencyModelPipeline)에서 1~8단계로 좋은 샘플을 생성할 수 있어야 합니다. | |
| ## 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) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L142) | |
| **매개변수:** | |
| num_train_timesteps (`int`, 기본값 `1000`) : 모델을 학습하기 위한 diffusion step 수입니다. | |
| beta_start (`float`, 기본값 `0.00085`) : 추론의 시작 `beta` 값입니다. | |
| beta_end (`float`, 기본값 `0.012`) : 최종 `beta` 값. | |
| beta_schedule (`str`, 기본값 `"scaled_linear"`) : 베타 스케줄로, 모델의 스테핑을 위한 베타 범위에서 베타 시퀀스로의 매핑입니다. `linear`, `scaled_linear`, 또는 `squaredcos_cap_v2` 중 하나를 선택합니다. | |
| trained_betas (`np.ndarray` 또는 `list[float]`, *선택 사항*) : `beta_start`와 `beta_end`를 우회하여 베타 배열을 생성자에 직접 전달합니다. | |
| original_inference_steps (`int`, 기본값 `50`) : 선형 간격의 timestep 스케줄을 생성하는 데 사용되는 기본 추론 단계 수입니다. 이 스케줄에서 최종적으로 `num_inference_steps`개의 균등 간격 timestep을 추출하여 최종 timestep 스케줄을 구성합니다. | |
| clip_sample (`bool`, 기본값 `False`) : 수치적 안정성을 위해 예측된 샘플을 클리핑합니다. | |
| clip_sample_range (`float`, 기본값 `1.0`) : 샘플 클리핑의 최대 크기입니다. `clip_sample=True`일 때만 유효합니다. | |
| set_alpha_to_one (`bool`, 기본값 `True`) : 각 diffusion 단계는 해당 단계와 이전 단계의 alphas product 값을 사용합니다. 마지막 단계에는 이전 alpha가 없습니다. 이 옵션이 `True`인 경우 이전 alpha product는 `1`로 고정되고, 그렇지 않으면 step 0의 alpha 값을 사용합니다. | |
| steps_offset (`int`, 기본값 `0`) : 일부 모델 계열에서 요구하는 추론 단계에 추가되는 오프셋입니다. | |
| 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`, 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=True`일 때만 유효합니다. | |
| sample_max_value (`float`, 기본값 `1.0`) : 동적 임계값 설정의 임계값입니다. `thresholding=True`일 때만 유효합니다. | |
| timestep_spacing (`str`, 기본값 `"leading"`) : timesteps를 스케일링하는 방식입니다. 자세한 내용은 [일반적인 디퓨전 노이즈 스케줄과 샘플 스테프는 결함이 있다](https://huggingface.co/papers/2305.08891)의 Table 2를 참조하세요. | |
| timestep_scaling (`float`, 기본값 `10.0`) : consistency model의 경계 조건 `c_skip`과 `c_out`을 계산할 때 timesteps에 곱해지는 계수입니다. 이 값을 증가시키면 근사 오차가 감소합니다(기본값 `10.0`에서의 근사 오차는 이미 상당히 작습니다). | |
| 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_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506)와 느슨하게 관련이 있습니다. | |
| `LCMScheduler`는 비마르코프 가이던스를 사용하여 DDPM(denoising diffusion probabilistic models)에서 도입된 디노이징 절차를 확장합니다. | |
| 이 모델은 [SchedulerMixin](/docs/diffusers/main/ko/api/schedulers/overview#diffusers.SchedulerMixin)과 [ConfigMixin](/docs/diffusers/main/ko/api/configuration#diffusers.ConfigMixin)을 상속합니다. [~ConfigMixin](/docs/diffusers/main/ko/api/configuration#diffusers.ConfigMixin)는 `num_train_timesteps`와 같은 스케줄러의 `__init__` 함수에 전달되는 모든 설정 속성을 저장하는 역할을 합니다. 이러한 속성은 `scheduler.config.num_train_timesteps`을 통해 접근할 수 있습니다. [SchedulerMixin](/docs/diffusers/main/ko/api/schedulers/overview#diffusers.SchedulerMixin)은 [SchedulerMixin.save_pretrained()](/docs/diffusers/main/ko/api/schedulers/overview#diffusers.SchedulerMixin.save_pretrained) 및 [from_pretrained()](/docs/diffusers/main/ko/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained) 함수를 통해 일반적인 로딩 및 저장 기능을 제공합니다. | |
| #### add_noise[[diffusers.LCMScheduler.add_noise]] | |
| ```python | |
| add_noise(original_samples: Tensor, noise: Tensor, timesteps: IntTensor) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L667) | |
| **매개변수:** | |
| original_samples (`torch.Tensor`) : 노이즈가 추가될 원래 샘플. | |
| noise (`torch.Tensor`) : 샘플에 추가할 노이즈. | |
| timesteps (`torch.IntTensor`) : 각 샘플의 노이즈 수준을 나타내는 timesteps. | |
| **반환값:** `torch.Tensor` | |
| 노이즈가 포함된 샘플. | |
| 각 timestep의 노이즈 크기에 따라 원래 샘플에 노이즈를 추가합니다(이것은 forward diffusion process입니다). | |
| #### discrete 경계 조건에 대한 스케일링을 가져옵니다[[diffusers.LCMScheduler.get_scalings_for_boundary_condition_discrete]] | |
| ```python | |
| get_scalings_for_boundary_condition_discrete(timestep: int) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L548) | |
| **매개변수:** | |
| timestep (`int`) : 스케일링을 계산할 이산 시간 단계. | |
| **반환값:** `tuple[float, float]` | |
| `c_skip`(입력 샘플의 스케일링)와 `c_out`(예측된 디노이즈 샘플의 스케일링)을 포함하는 튜플. | |
| Latent Consistency Model에서 사용되는 주어진 이산 시간 단계에 대해 경계 조건 스케일링(`c_skip` 및 `c_out`)을 계산합니다. | |
| #### get_velocity[[diffusers.LCMScheduler.get_velocity]] | |
| ```python | |
| get_velocity(sample: Tensor, noise: Tensor, timesteps: IntTensor) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L710) | |
| **매개변수:** | |
| sample (`torch.Tensor`) : 입력 샘플. | |
| noise (`torch.Tensor`) : 노이즈 텐서. | |
| timesteps (`torch.IntTensor`) : 속도 계산에 사용되는 timesteps입니다. | |
| **반환값:** `torch.Tensor` | |
| 계산된 속도. | |
| 속도 공식에 따라 샘플과 노이즈로부터 속도 예측을 계산합니다. | |
| #### 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) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L262) | |
| **매개변수:** | |
| timestep (`float` 또는 `torch.Tensor`) : 스케줄에서 찾을 타임스텝 값. | |
| schedule_timesteps (`torch.Tensor`, *선택 사항*) : 검색할 timestep schedule입니다. `None`인 경우 `self.timesteps`를 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. | |
| … | |
| #### previous_timestep[[diffusers.LCMScheduler.previous_timestep]] | |
| ```python | |
| previous_timestep(timestep) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L755) | |
| **매개변수:** | |
| timestep (`int`) : 현재 타임스텝. | |
| **반환값:** `int` 또는 `torch.Tensor` | |
| 이전 시간 단계(timestep). | |
| 확산 체인의 이전 시간 단계를 계산합니다. | |
| #### scale_model_input[[diffusers.LCMScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L341) | |
| **매개변수:** | |
| sample (`torch.Tensor`) : 입력 샘플. | |
| timestep (`int`, *선택 사항*) : 확산 체인에서의 현재 시간 단계입니다. | |
| **반환값:** `torch.Tensor` | |
| 스케일된 입력 샘플. | |
| 현재 타임스텝에 따라 디노이징 모델 입력을 스케일링해야 하는 스케줄러와의 호환성을 보장합니다. | |
| #### set_begin_index[[diffusers.LCMScheduler.set_begin_index]] | |
| ```python | |
| set_begin_index(begin_index: int = 0) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L331) | |
| **매개변수:** | |
| begin_index (`int`, 기본값 `0`) : 스케줄러의 시작 인덱스입니다. | |
| … 스케줄러의 시작 인덱스를 설정합니다. 이 함수는 추론 전에 파이프라인에서 실행해야 합니다. | |
| #### 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) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L402) | |
| **매개변수:** | |
| num_inference_steps (`int`, *선택 사항*) : 사전 학습된 모델로 샘플을 생성할 때 사용되는 확산 단계 수입니다. 이 값을 사용하는 경우 `timesteps`는 `None`이어야 합니다. | |
| device (`str` 또는 `torch.device`, *선택 사항*) : timesteps를 이동할 대상 device입니다. `None`인 경우 timesteps는 이동되지 않습니다. | |
| original_inference_steps (`int`, *선택 사항*) : 선형 간격의 timestep 스케줄을 생성하는 데 사용되는 원래 추론 단계 수입니다(표준 `diffusers` 구현과 다름). 이후 이 스케줄에서 인덱스 기준으로 균등하게 간격을 두고 `num_inference_steps`개의 timesteps를 선택하여 최종 timestep 스케줄로 사용합니다. 설정되지 않으면 `original_inference_steps` 속성 값이 기본값으로 사용됩니다. | |
| timesteps (`list[int]`, *선택 사항*) : timestep 간 임의의 간격을 지원하기 위해 사용되는 사용자 지정 timestep입니다. `None`인 경우, 학습/증류 timestep 스케줄에서 timestep 간 균등 간격이라는 기본 timestep 간격 전략이 사용됩니다. `timesteps`가 전달되면 `num_inference_steps`는 `None`이어야 합니다. | |
| strength (`float`, 기본값 `1.0`) : 부분 타임스텝 스케줄(예: 이미지-투-이미지)을 생성하는 데 사용되는 강도 계수입니다. `1.0` 값은 전체 스케줄을 사용합니다. | |
| **반환값:** `None` | |
| 추론 실행 전에 실행할 diffusion chain에 사용할 이산 timesteps를 설정합니다. | |
| #### step[[diffusers.LCMScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: int, sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L569) | |
| **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*) : 재현 가능한 샘플링을 위한 난수 생성기. | |
| return_dict (`bool`, 기본값 `True`) : `LCMSchedulerOutput` 또는 `tuple`를 반환할지 여부. | |
| **반환값:** `LCMSchedulerOutput` 또는 `tuple` | |
| return_dict가 `True`인 경우 `LCMSchedulerOutput`이 반환되고, 그렇지 않으면 첫 번째 요소가 샘플 텐서인 튜플이 반환됩니다. | |
| 이전 시간 단계의 샘플을 SDE를 역방향으로 적용하여 예측합니다. 이 함수는 학습된 모델의 출력(대부분 예측된 노이즈)으로부터 확산 과정을 전파합니다. | |
Xet Storage Details
- Size:
- 13.6 kB
- Xet hash:
- 505213dcba2b4bfeb6f07228b5d43b4838aded2e9e9432b0ae55fe6d0c3b49dc
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.