Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /pt /api /schedulers /deis.md

mishig

1 day ago

preview code

download

raw

16.5 kB

# DEISMultistepScheduler

O Diffusion Exponential Integrator Sampler (DEIS) é proposto em [Fast Sampling of Diffusion Models with Exponential Integrator](https://huggingface.co/papers/2204.13902) por Qinsheng Zhang e Yongxin Chen. `DEISMultistepScheduler` é um solver rápido de alta ordem para equações diferenciais ordinárias (ODEs) de difusão.

Esta implementação modifica a fórmula de ajuste polinomial no espaço log-rho, em vez do espaço linear `t` original do paper DEIS. Essa modificação possui coeficientes em forma fechada para a atualização multietapa exponencial, em vez de depender de um solver numérico.

O resumo do artigo é:

*Nos últimos anos, testemunhamos o grande sucesso dos modelos de Difusão~(DMs) na geração de amostras de alta fidelidade em tarefas de modelagem generativa. Uma limitação importante dos DMs é seu procedimento de amostragem notoriamente lento, que normalmente requer de centenas a milhares de passos de discretização temporal do processo de difusão aprendido para alcançar a precisão desejada. Nosso objetivo é desenvolver um método de amostragem rápido para DMs com um número muito menor de passos, mantendo a alta qualidade das amostras. Para isso, analisamos sistematicamente o procedimento de amostragem nos DMs e identificamos os fatores-chave que afetam a qualidade da amostra, sendo o método de discretização o mais crucial. Ao examinar cuidadosamente o processo de difusão aprendido, propomos o Diffusion Exponential Integrator Sampler~(DEIS). Ele é baseado no Exponential Integrator, projetado para discretizar equações diferenciais ordinárias (ODEs), e aproveita uma estrutura semilinear do processo de difusão aprendido para reduzir o erro de discretização. O método proposto pode ser aplicado a qualquer DM e pode gerar amostras de alta fidelidade em tão poucas quanto 10 etapas. Em nossos experimentos, leva cerca de 3 minutos em uma GPU A6000 para gerar 50 mil imagens do CIFAR10. Além disso, ao usar diretamente DMs pré-treinados, alcançamos o desempenho de amostragem state-of-the-art quando o número de avaliações da função de score~(NFE) é limitado, por exemplo, 4,17 FID com 10 NFEs, 3,37 FID e 9,74 IS com apenas 15 NFEs no CIFAR10. O código está disponível em [este URL https](https://github.com/qsh-zh/deis).*

## Dicas

É recomendado definir `solver_order` como 2 ou 3, enquanto `solver_order=1` é equivalente ao [DDIMScheduler](/docs/diffusers/main/pt/api/schedulers/ddim#diffusers.DDIMScheduler).

O thresholding dinâmico do [Imagen](https://huggingface.co/papers/2205.11487) é suportado, e para modelos de difusão no espaço de pixels, você pode definir `thresholding=True` para usar o thresholding dinâmico.

## DEISMultistepScheduler[[diffusers.DEISMultistepScheduler]]

#### diffusers.DEISMultistepScheduler[[diffusers.DEISMultistepScheduler]]

```python
diffusers.DEISMultistepScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: typing.Literal['linear', 'scaled_linear', 'squaredcos_cap_v2'] = 'linear', trained_betas: numpy.ndarray | list[float] | None = None, solver_order: int = 2, prediction_type: typing.Literal['epsilon', 'sample', 'v_prediction', 'flow_prediction'] = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, algorithm_type: typing.Literal['deis'] = 'deis', solver_type: typing.Literal['logrho'] = 'logrho', lower_order_final: bool = True, use_karras_sigmas: bool = False, use_exponential_sigmas: bool = False, use_beta_sigmas: bool = False, use_flow_sigmas: bool = False, flow_shift: float = 1.0, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', steps_offset: int = 0, use_dynamic_shifting: bool = False, time_shift_type: typing.Literal['exponential'] = 'exponential')
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L86)

**Parâmetros:**

num_train_timesteps (`int`, padrão `1000`) : O número de etapas de difusão para treinar o modelo.

beta_start (`float`, padrão `0.0001`) : O valor inicial de `beta` para a inferência.
beta_end (`float`, padrão `0.02`) : O valor final de `beta`.

beta_schedule (`"linear"`, `"scaled_linear"` ou `"squaredcos_cap_v2"`, padrão é `"linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para dar passos no modelo. Escolha entre `linear`, `scaled_linear` ou `squaredcos_cap_v2`.
trained_betas (`np.ndarray` ou `list[float]`, *opcional*) : Passe um array de betas diretamente para o construtor para ignorar `beta_start` e `beta_end`.

solver_order (`int`, padrão `2`) : A ordem DEIS, que pode ser `1` ou `2` ou `3`. Recomenda-se usar `solver_order=2` para amostragem guiada e `solver_order=3` para amostragem incondicional.
prediction_type (`"epsilon"`, `"sample"`, `"v_prediction"`, or `"flow_prediction"`, 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`), `v_prediction` (see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper), or `flow_prediction`.

thresholding (`bool`, padrão `False`) : Se deve usar o método de "limiar dinâmico". Isso não é adequado para modelos de difusão em espaço latente, como o Stable Diffusion.

dynamic_thresholding_ratio (`float`, padrão `0.995`) : A proporção para o método de limiar dinâmico. Válido apenas quando `thresholding=True`.

sample_max_value (`float`, padrão `1.0`) : O valor de limiar para o limiar dinâmico. Válido apenas quando `thresholding=True`.

algorithm_type (`"deis"`, padrão `"deis"`) : O tipo de algoritmo para o solver.
solver_type (`"logrho"`, padrão `"logrho"`) : Tipo de solver para DEIS.

lower_order_final (`bool`, padrão `True`) : Se deve usar solucionadores de ordem inferior nas etapas finais. Válido apenas para < 15 etapas de inferência.

use_karras_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar sigmas de Karras para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Se `True`, os sigmas são determinados de acordo com uma sequência de níveis de ruído {σi}.

use_exponential_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar sigmas exponenciais para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.

use_beta_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar betas sigmas para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Consulte [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) para mais informações.

use_flow_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar sigmas de fluxo para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.

flow_shift (`float`, *opcional*, padrão `1.0`) : O parâmetro de deslocamento de fluxo para modelos baseados em fluxo.
timestep_spacing (`"linspace"`, `"leading"` ou `"trailing"`, padrão `"linspace"`) : A forma como os timesteps devem ser escalados. Consulte a Tabela 2 do [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) para mais informações.

steps_offset (`int`, padrão `0`) : Um deslocamento adicionado às etapas de inferência, conforme exigido por algumas famílias de modelos.
use_dynamic_shifting (`bool`, padrão `False`) : Se deve usar deslocamento dinâmico para o agendamento de ruído.
time_shift_type (`"exponential"`, padrão é `"exponential"`) : O tipo de deslocamento temporal a ser aplicado.
`DEISMultistepScheduler` é um solver de alta ordem e rápido para equações diferenciais ordinárias (ODEs) de difusão.
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.
#### add_noise[[diffusers.DEISMultistepScheduler.add_noise]]
```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: IntTensor)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L997)
**Parâmetros:**
original_samples (`torch.Tensor`) : As amostras originais sem ruído.

noise (`torch.Tensor`) : O ruído a ser adicionado às amostras.

timesteps (`torch.IntTensor`) : Os passos de tempo nos quais adicionar ruído às amostras.

**Retorna:** `torch.Tensor`

As amostras ruidosas.

Adicione ruído às amostras originais de acordo com o agendamento de ruído nos timesteps especificados.

#### convert_model_output[[diffusers.DEISMultistepScheduler.convert_model_output]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L581)

**Parâmetros:**

model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.
timestep (`int`) : O passo de tempo discreto atual na cadeia de difusão.
sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.
**Retorna:** `torch.Tensor`
A saída do modelo convertido.
Converta a saída do modelo para o tipo correspondente necessário pelo algoritmo DEIS.
#### deis_first_order_update[[diffusers.DEISMultistepScheduler.deis_first_order_update]]
```python
deis_first_order_update(model_output: Tensor, *args, sample: Tensor = None, **kwargs)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L641)
**Parâmetros:**
model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.

timestep (`int`) : O passo de tempo discreto atual na cadeia de difusão.

prev_timestep (`int`) : O passo de tempo discreto anterior na cadeia de difusão.
sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.
**Retorna:** `torch.Tensor`
O tensor de amostra no passo de tempo anterior.
Um passo para o DEIS de primeira ordem (equivalente ao DDIM).
#### index_for_timestep[[diffusers.DEISMultistepScheduler.index_for_timestep]]
```python
index_for_timestep(timestep: typing.Union[int, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L864)
**Parâmetros:**
timestep (`int` ou `torch.Tensor`) : O timestep para o qual encontrar o índice.
schedule_timesteps (`torch.Tensor`, *opcional*) : O cronograma de passos de tempo a ser pesquisado. Se `None`, usa `self.timesteps`.
**Retorna:** `int`
O índice do timestep no agendamento.
Encontre o índice para um passo de tempo (timestep) específico no agendamento.
#### multistep_deis_second_order_update[[diffusers.DEISMultistepScheduler.multistep_deis_second_order_update]]
```python
multistep_deis_second_order_update(model_output_list: list[torch.Tensor], *args, sample: Tensor = None, **kwargs)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L702)
**Parâmetros:**

model_output_list (`list[torch.Tensor]`) : As saídas diretas do modelo de difusão aprendido nos timesteps atuais e posteriores.

sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

**Retorna:** `torch.Tensor`

O tensor de amostra no passo de tempo anterior.

Um passo para o DEIS multietapa de segunda ordem.

#### multistep_deis_third_order_update[[diffusers.DEISMultistepScheduler.multistep_deis_third_order_update]]

```python
multistep_deis_third_order_update(model_output_list: list[torch.Tensor], *args, sample: Tensor = None, **kwargs)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L775)

**Parâmetros:**

model_output_list (`list[torch.Tensor]`) : As saídas diretas do modelo de difusão aprendido nos timesteps atuais e posteriores.

sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

**Retorna:** `torch.Tensor`

O tensor de amostra no passo de tempo anterior.

Um passo para o DEIS multietapa de terceira ordem.

#### scale_model_input[[diffusers.DEISMultistepScheduler.scale_model_input]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L981)

**Parâmetros:**

sample (`torch.Tensor`) : A amostra de entrada.

**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.

#### set_begin_index[[diffusers.DEISMultistepScheduler.set_begin_index]]

```python
set_begin_index(begin_index: int = 0)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L262)

**Parâmetros:**

begin_index (`int`, padrão `0`) : O índice inicial para o agendador.
Define o índice inicial para o agendador. Esta função deve ser executada a partir do pipeline antes da inferência.
#### set_timesteps[[diffusers.DEISMultistepScheduler.set_timesteps]]
```python
set_timesteps(num_inference_steps: int, device: typing.Union[str, torch.device] = None, mu: float | None = None)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L272)
**Parâmetros:**
num_inference_steps (`int`) : O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado.
device (`str` ou `torch.device`, *opcional*) : O dispositivo para o qual os timesteps devem ser movidos. Se `None`, os timesteps não são movidos.
mu (`float`, *opcional*) : O parâmetro mu para o deslocamento dinâmico. Usado apenas quando `use_dynamic_shifting=True` e `time_shift_type="exponential"`.
Define os passos discretos usados para a cadeia de difusão (a ser executado antes da inferência).
#### etapa[[diffusers.DEISMultistepScheduler.step]]
```python
step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, return_dict: bool = True)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L917)
**Parâmetros:**
model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.
timestep (`int` ou `torch.Tensor`) : O passo de tempo discreto atual na cadeia de difusão.
sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.
return_dict (`bool`, padrão `True`) : Se deve ou não retornar um [SchedulerOutput](/docs/diffusers/main/pt/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) ou `tuple`.
**Retorna:** [SchedulerOutput](/docs/diffusers/main/pt/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) ou `tuple`
Se return_dict for `True`, [SchedulerOutput](/docs/diffusers/main/pt/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor de amostras.
Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga a amostra com o DEIS multietapa.
## SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]
#### diffusers.schedulers.scheduling_utils.SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]
```python
diffusers.schedulers.scheduling_utils.SchedulerOutput(prev_sample: Tensor)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py#L66)
**Parâmetros:**
prev_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : Amostra calculada `(x_{t-1})` do passo anterior. `prev_sample` deve ser usado como entrada do próximo modelo no loop de remoção de ruído.
Classe base para a saída da função `step` de um agendador.

Xet Storage Details

Size:: 16.5 kB
Xet hash:: 8c00351fd5cb24be21640fb31c0f4fd977aba4d6ffc8b0cb179f3b0b7f1e402e

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

	# DEISMultistepScheduler

	O Diffusion Exponential Integrator Sampler (DEIS) é proposto em [Fast Sampling of Diffusion Models with Exponential Integrator](https://huggingface.co/papers/2204.13902) por Qinsheng Zhang e Yongxin Chen. `DEISMultistepScheduler` é um solver rápido de alta ordem para equações diferenciais ordinárias (ODEs) de difusão.

	Esta implementação modifica a fórmula de ajuste polinomial no espaço log-rho, em vez do espaço linear `t` original do paper DEIS. Essa modificação possui coeficientes em forma fechada para a atualização multietapa exponencial, em vez de depender de um solver numérico.

	O resumo do artigo é:

	Nos últimos anos, testemunhamos o grande sucesso dos modelos de Difusão~(DMs) na geração de amostras de alta fidelidade em tarefas de modelagem generativa. Uma limitação importante dos DMs é seu procedimento de amostragem notoriamente lento, que normalmente requer de centenas a milhares de passos de discretização temporal do processo de difusão aprendido para alcançar a precisão desejada. Nosso objetivo é desenvolver um método de amostragem rápido para DMs com um número muito menor de passos, mantendo a alta qualidade das amostras. Para isso, analisamos sistematicamente o procedimento de amostragem nos DMs e identificamos os fatores-chave que afetam a qualidade da amostra, sendo o método de discretização o mais crucial. Ao examinar cuidadosamente o processo de difusão aprendido, propomos o Diffusion Exponential Integrator Sampler~(DEIS). Ele é baseado no Exponential Integrator, projetado para discretizar equações diferenciais ordinárias (ODEs), e aproveita uma estrutura semilinear do processo de difusão aprendido para reduzir o erro de discretização. O método proposto pode ser aplicado a qualquer DM e pode gerar amostras de alta fidelidade em tão poucas quanto 10 etapas. Em nossos experimentos, leva cerca de 3 minutos em uma GPU A6000 para gerar 50 mil imagens do CIFAR10. Além disso, ao usar diretamente DMs pré-treinados, alcançamos o desempenho de amostragem state-of-the-art quando o número de avaliações da função de score~(NFE) é limitado, por exemplo, 4,17 FID com 10 NFEs, 3,37 FID e 9,74 IS com apenas 15 NFEs no CIFAR10. O código está disponível em [este URL https](https://github.com/qsh-zh/deis).

	## Dicas

	É recomendado definir `solver_order` como 2 ou 3, enquanto `solver_order=1` é equivalente ao [DDIMScheduler](/docs/diffusers/main/pt/api/schedulers/ddim#diffusers.DDIMScheduler).

	O thresholding dinâmico do [Imagen](https://huggingface.co/papers/2205.11487) é suportado, e para modelos de difusão no espaço de pixels, você pode definir `thresholding=True` para usar o thresholding dinâmico.

	## DEISMultistepScheduler[[diffusers.DEISMultistepScheduler]]

	#### diffusers.DEISMultistepScheduler[[diffusers.DEISMultistepScheduler]]

	```python
	diffusers.DEISMultistepScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: typing.Literal['linear', 'scaled_linear', 'squaredcos_cap_v2'] = 'linear', trained_betas: numpy.ndarray \| list[float] \| None = None, solver_order: int = 2, prediction_type: typing.Literal['epsilon', 'sample', 'v_prediction', 'flow_prediction'] = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, algorithm_type: typing.Literal['deis'] = 'deis', solver_type: typing.Literal['logrho'] = 'logrho', lower_order_final: bool = True, use_karras_sigmas: bool = False, use_exponential_sigmas: bool = False, use_beta_sigmas: bool = False, use_flow_sigmas: bool = False, flow_shift: float = 1.0, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', steps_offset: int = 0, use_dynamic_shifting: bool = False, time_shift_type: typing.Literal['exponential'] = 'exponential')
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L86)

	Parâmetros:

	num_train_timesteps (`int`, padrão `1000`) : O número de etapas de difusão para treinar o modelo.

	beta_start (`float`, padrão `0.0001`) : O valor inicial de `beta` para a inferência.

	beta_end (`float`, padrão `0.02`) : O valor final de `beta`.

	beta_schedule (`"linear"`, `"scaled_linear"` ou `"squaredcos_cap_v2"`, padrão é `"linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para dar passos no modelo. Escolha entre `linear`, `scaled_linear` ou `squaredcos_cap_v2`.

	trained_betas (`np.ndarray` ou `list[float]`, opcional) : Passe um array de betas diretamente para o construtor para ignorar `beta_start` e `beta_end`.

	solver_order (`int`, padrão `2`) : A ordem DEIS, que pode ser `1` ou `2` ou `3`. Recomenda-se usar `solver_order=2` para amostragem guiada e `solver_order=3` para amostragem incondicional.

	prediction_type (`"epsilon"`, `"sample"`, `"v_prediction"`, or `"flow_prediction"`, 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`), `v_prediction` (see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper), or `flow_prediction`.

	thresholding (`bool`, padrão `False`) : Se deve usar o método de "limiar dinâmico". Isso não é adequado para modelos de difusão em espaço latente, como o Stable Diffusion.

	dynamic_thresholding_ratio (`float`, padrão `0.995`) : A proporção para o método de limiar dinâmico. Válido apenas quando `thresholding=True`.

	sample_max_value (`float`, padrão `1.0`) : O valor de limiar para o limiar dinâmico. Válido apenas quando `thresholding=True`.

	algorithm_type (`"deis"`, padrão `"deis"`) : O tipo de algoritmo para o solver.

	solver_type (`"logrho"`, padrão `"logrho"`) : Tipo de solver para DEIS.

	lower_order_final (`bool`, padrão `True`) : Se deve usar solucionadores de ordem inferior nas etapas finais. Válido apenas para < 15 etapas de inferência.

	use_karras_sigmas (`bool`, opcional, padrão `False`) : Se deve usar sigmas de Karras para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Se `True`, os sigmas são determinados de acordo com uma sequência de níveis de ruído {σi}.

	use_exponential_sigmas (`bool`, opcional, padrão `False`) : Se deve usar sigmas exponenciais para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.

	use_beta_sigmas (`bool`, opcional, padrão `False`) : Se deve usar betas sigmas para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Consulte [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) para mais informações.

	use_flow_sigmas (`bool`, opcional, padrão `False`) : Se deve usar sigmas de fluxo para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.

	flow_shift (`float`, opcional, padrão `1.0`) : O parâmetro de deslocamento de fluxo para modelos baseados em fluxo.

	timestep_spacing (`"linspace"`, `"leading"` ou `"trailing"`, padrão `"linspace"`) : A forma como os timesteps devem ser escalados. Consulte a Tabela 2 do [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) para mais informações.

	steps_offset (`int`, padrão `0`) : Um deslocamento adicionado às etapas de inferência, conforme exigido por algumas famílias de modelos.

	use_dynamic_shifting (`bool`, padrão `False`) : Se deve usar deslocamento dinâmico para o agendamento de ruído.

	time_shift_type (`"exponential"`, padrão é `"exponential"`) : O tipo de deslocamento temporal a ser aplicado.

	`DEISMultistepScheduler` é um solver de alta ordem e rápido para equações diferenciais ordinárias (ODEs) de difusão.

	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.

	#### add_noise[[diffusers.DEISMultistepScheduler.add_noise]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L997)

	Parâmetros:

	original_samples (`torch.Tensor`) : As amostras originais sem ruído.

	noise (`torch.Tensor`) : O ruído a ser adicionado às amostras.

	timesteps (`torch.IntTensor`) : Os passos de tempo nos quais adicionar ruído às amostras.

	Retorna: `torch.Tensor`

	As amostras ruidosas.

	Adicione ruído às amostras originais de acordo com o agendamento de ruído nos timesteps especificados.

	#### convert_model_output[[diffusers.DEISMultistepScheduler.convert_model_output]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L581)

	Parâmetros:

	model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.

	timestep (`int`) : O passo de tempo discreto atual na cadeia de difusão.

	sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

	Retorna: `torch.Tensor`

	A saída do modelo convertido.

	Converta a saída do modelo para o tipo correspondente necessário pelo algoritmo DEIS.

	#### deis_first_order_update[[diffusers.DEISMultistepScheduler.deis_first_order_update]]

	```python
	deis_first_order_update(model_output: Tensor, args, sample: Tensor = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L641)

	Parâmetros:

	model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.

	timestep (`int`) : O passo de tempo discreto atual na cadeia de difusão.

	prev_timestep (`int`) : O passo de tempo discreto anterior na cadeia de difusão.

	sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

	Retorna: `torch.Tensor`

	O tensor de amostra no passo de tempo anterior.

	Um passo para o DEIS de primeira ordem (equivalente ao DDIM).

	#### index_for_timestep[[diffusers.DEISMultistepScheduler.index_for_timestep]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L864)

	Parâmetros:

	timestep (`int` ou `torch.Tensor`) : O timestep para o qual encontrar o índice.

	schedule_timesteps (`torch.Tensor`, opcional) : O cronograma de passos de tempo a ser pesquisado. Se `None`, usa `self.timesteps`.

	Retorna: `int`

	O índice do timestep no agendamento.

	Encontre o índice para um passo de tempo (timestep) específico no agendamento.

	#### multistep_deis_second_order_update[[diffusers.DEISMultistepScheduler.multistep_deis_second_order_update]]

	```python
	multistep_deis_second_order_update(model_output_list: list[torch.Tensor], args, sample: Tensor = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L702)

	Parâmetros:

	model_output_list (`list[torch.Tensor]`) : As saídas diretas do modelo de difusão aprendido nos timesteps atuais e posteriores.

	sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

	Retorna: `torch.Tensor`

	O tensor de amostra no passo de tempo anterior.

	Um passo para o DEIS multietapa de segunda ordem.

	#### multistep_deis_third_order_update[[diffusers.DEISMultistepScheduler.multistep_deis_third_order_update]]

	```python
	multistep_deis_third_order_update(model_output_list: list[torch.Tensor], args, sample: Tensor = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L775)

	Parâmetros:

	model_output_list (`list[torch.Tensor]`) : As saídas diretas do modelo de difusão aprendido nos timesteps atuais e posteriores.

	sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

	Retorna: `torch.Tensor`

	O tensor de amostra no passo de tempo anterior.

	Um passo para o DEIS multietapa de terceira ordem.

	#### scale_model_input[[diffusers.DEISMultistepScheduler.scale_model_input]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L981)

	Parâmetros:

	sample (`torch.Tensor`) : A amostra de entrada.

	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.

	#### set_begin_index[[diffusers.DEISMultistepScheduler.set_begin_index]]

	```python
	set_begin_index(begin_index: int = 0)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L262)

	Parâmetros:

	begin_index (`int`, padrão `0`) : O índice inicial para o agendador.

	Define o índice inicial para o agendador. Esta função deve ser executada a partir do pipeline antes da inferência.

	#### set_timesteps[[diffusers.DEISMultistepScheduler.set_timesteps]]

	```python
	set_timesteps(num_inference_steps: int, device: typing.Union[str, torch.device] = None, mu: float \| None = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L272)

	Parâmetros:

	num_inference_steps (`int`) : O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado.

	device (`str` ou `torch.device`, opcional) : O dispositivo para o qual os timesteps devem ser movidos. Se `None`, os timesteps não são movidos.

	mu (`float`, opcional) : O parâmetro mu para o deslocamento dinâmico. Usado apenas quando `use_dynamic_shifting=True` e `time_shift_type="exponential"`.

	Define os passos discretos usados para a cadeia de difusão (a ser executado antes da inferência).

	#### etapa[[diffusers.DEISMultistepScheduler.step]]

	```python
	step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, return_dict: bool = True)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_deis_multistep.py#L917)

	Parâmetros:

	model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.

	timestep (`int` ou `torch.Tensor`) : O passo de tempo discreto atual na cadeia de difusão.

	sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

	return_dict (`bool`, padrão `True`) : Se deve ou não retornar um [SchedulerOutput](/docs/diffusers/main/pt/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) ou `tuple`.

	Retorna: [SchedulerOutput](/docs/diffusers/main/pt/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) ou `tuple`

	Se return_dict for `True`, [SchedulerOutput](/docs/diffusers/main/pt/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor de amostras.

	Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga a amostra com o DEIS multietapa.

	## SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]

	#### diffusers.schedulers.scheduling_utils.SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]

	```python
	diffusers.schedulers.scheduling_utils.SchedulerOutput(prev_sample: Tensor)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py#L66)

	Parâmetros:

	prev_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : Amostra calculada `(x_{t-1})` do passo anterior. `prev_sample` deve ser usado como entrada do próximo modelo no loop de remoção de ruído.

	Classe base para a saída da função `step` de um agendador.