Buckets:
| # ConsistencyDecoderScheduler | |
| Este scheduler faz parte do `ConsistencyDecoderPipeline` e foi introduzido no [DALL-E 3](https://openai.com/dall-e-3). | |
| O código original pode ser encontrado em [openai/consistency_models](https://github.com/openai/consistency_models). | |
| ## ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| #### diffusers.schedulers.ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| ```python | |
| diffusers.schedulers.ConsistencyDecoderScheduler(num_train_timesteps: int = 1024, sigma_data: float = 0.5) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **Parâmetros:** | |
| num_train_timesteps (`int`, *opcional*, padrão `1024`) : O número de etapas de difusão para treinar o modelo. | |
| sigma_data (`float`, *opcional*, padrão `0.5`) : O desvio padrão da distribuição dos dados. Usado para calcular os fatores de escala de salto e de saída. | |
| Um scheduler para o decodificador de consistência usado nos pipelines do Stable Diffusion. | |
| Este agendador implementa um processo de desruidamento em duas etapas usando modelos de consistência para decodificar representações latentes em imagens. | |
| Este modelo herda de [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) e [ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin). Consulte a documentação da superclasse para os métodos genéricos que a biblioteca implementa para todos os agendadores, como carregamento e salvamento. | |
| #### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **Parâmetros:** | |
| sample (`torch.Tensor`) : A amostra de entrada. | |
| timestep (`int`, *opcional*) : O timestep atual na cadeia de difusão. | |
| **Retorna:** `torch.Tensor` | |
| Uma amostra de entrada escalada. | |
| Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual. | |
| #### etapa[[diffusers.schedulers.ConsistencyDecoderScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **Parâmetros:** | |
| model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido. | |
| timestep (`float` ou `torch.Tensor`) : O timestep atual na cadeia de difusão. | |
| sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão. | |
| generator (`torch.Generator`, *opcional*) : Um gerador de números aleatórios para reprodutibilidade. | |
| return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um `ConsistencyDecoderSchedulerOutput` ou `tuple`. | |
| **Retorna:** `ConsistencyDecoderSchedulerOutput` ou `tuple` | |
| Se `return_dict` for `True`, `ConsistencyDecoderSchedulerOutput` é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor da amostra. | |
| Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga o processo de difusão a partir das saídas do modelo aprendido (na maioria das vezes, o ruído previsto). | |
Xet Storage Details
- Size:
- 3.55 kB
- Xet hash:
- cf4eacf811088b98ad9364d6bb42ddc1939b95419156f34464d8021d6b728574
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.