Buckets:

mishig's picture
|
download
raw
10.5 kB

PNDMScheduler

PNDMScheduler, 즉 확산 모델용 의사 수치 기법(pseudo numerical methods for diffusion models)은 Runge-Kutta 및 선형 다단계 방법과 같은 더 고급 ODE 적분 기법을 사용합니다. 원래 구현은 crowsonkb/k-diffusion에서 찾을 수 있습니다.

PNDMScheduler[[diffusers.PNDMScheduler]]

diffusers.PNDMScheduler[[diffusers.PNDMScheduler]]

diffusers.PNDMScheduler(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, skip_prk_steps: bool = False, set_alpha_to_one: bool = False, prediction_type: typing.Literal['epsilon', 'v_prediction'] = 'epsilon', timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'leading', steps_offset: int = 0)

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 ("linear", "scaled_linear", 또는 "squaredcos_cap_v2", 기본값은 "linear") : 베타 스케줄입니다. 베타 범위를 모델의 스테핑에 사용할 베타 시퀀스로 매핑합니다.

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

skip_prk_steps (bool, 기본값 False) : PLMS 단계 전에 필요하다고 원 논문에서 정의된 Runge-Kutta 단계를 스케줄러가 건너뛰도록 허용합니다.

set_alpha_to_one (bool, 기본값은 False) : 각 diffusion 단계는 해당 단계와 이전 단계의 alphas product 값을 사용합니다. 마지막 단계에는 이전 alpha가 없습니다. 이 옵션이 True인 경우 이전 alpha product는 1로 고정되고, 그렇지 않으면 step 0의 alpha 값을 사용합니다.

prediction_type ("epsilon" 또는 "v_prediction", 기본값은 "epsilon") : 스케줄러 함수의 예측 유형; epsilon(확산 과정의 노이즈를 예측) 또는 v_prediction(Imagen Video 논문의 2.4절을 참조)를 사용할 수 있습니다.

timestep_spacing ("linspace", "leading", 또는 "trailing", 기본값은 "leading") : timesteps를 스케일링하는 방식. 자세한 내용은 일반적인 확산 노이즈 스케줄과 샘플 스텝은 결함이 있다의 Table 2를 참조하세요.

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

PNDMScheduler는 Runge-Kutta 및 선형 다단계 방법과 같은 확산 모델용 의사 수치 방법을 사용합니다.

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

add_noise[[diffusers.PNDMScheduler.add_noise]]

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

소스

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).

scale_model_input[[diffusers.PNDMScheduler.scale_model_input]]

scale_model_input(sample: Tensor, *args, **kwargs)

소스

매개변수:

sample (torch.Tensor) : 입력 샘플.

반환값: torch.Tensor

스케일된 입력 샘플.

현재 타임스텝에 따라 디노이징 모델 입력을 스케일링해야 하는 스케줄러와의 호환성을 보장합니다.

set_timesteps[[diffusers.PNDMScheduler.set_timesteps]]

set_timesteps(num_inference_steps: int, device: typing.Union[str, torch.device] = 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.PNDMScheduler.step]]

step(model_output: Tensor, timestep: int, sample: Tensor, 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.

return_dict (bool, 기본값 True) : SchedulerOutput 또는 tuple를 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 학습된 모델의 출력(대부분 예측된 노이즈)으로부터 확산 과정을 전파하며, 내부 변수 counter에 따라 step_prk() 또는 step_plms()를 호출합니다.

step_plms[[diffusers.PNDMScheduler.step_plms]]

step_plms(model_output: Tensor, timestep: int, sample: Tensor, 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.

return_dict (bool, 기본값 True) : SchedulerOutput 또는 튜플을 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 선형 다단계 방법을 사용하여 샘플을 전파합니다. 해를 근사하기 위해 포워드 패스를 여러 번 수행합니다.

step_prk[[diffusers.PNDMScheduler.step_prk]]

step_prk(model_output: Tensor, timestep: int, sample: Tensor, 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.

return_dict (bool, 기본값 True) : SchedulerOutput 또는 튜플을 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 Runge-Kutta 방법을 사용하여 샘플을 전파합니다. 미분 방정식의 해를 근사하기 위해 4회의 순전파를 수행합니다.

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:
10.5 kB
·
Xet hash:
1d35aa7581a8cfb9823c82155f13636967f66eb335a1655c0ac0b2876593ba89

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