Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

8 days ago

preview code

download

raw

12.8 kB

# EDMEulerScheduler

A formulação de Karras do agendador Euler (Algoritmo 2) do artigo [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Este é um agendador rápido que pode frequentemente gerar bons resultados em 20-30 passos. O agendador é baseado na implementação original [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51) de [Katherine Crowson](https://github.com/crowsonkb/).

## EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

#### diffusers.EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

```python
diffusers.EDMEulerScheduler(sigma_min: float = 0.002, sigma_max: float = 80.0, sigma_data: float = 0.5, sigma_schedule: typing.Literal['karras', 'exponential'] = 'karras', num_train_timesteps: int = 1000, prediction_type: typing.Literal['epsilon', 'v_prediction'] = 'epsilon', rho: float = 7.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L49)

**Parâmetros:**

sigma_min (`float`, *opcional*, padrão `0.002`) : Magnitude mínima de ruído no agendamento de sigma. Isso foi definido como 0.002 no paper EDM [1]; um intervalo razoável é [0, 10].
sigma_max (`float`, *opcional*, padrão `80.0`) : Magnitude máxima de ruído no agendamento de sigma. Isso foi definido como 80.0 no paper EDM [1]; um intervalo razoável é [0.2, 80.0].

sigma_data (`float`, *opcional*, padrão `0.5`) : O desvio padrão da distribuição dos dados. Isso é definido como 0,5 no artigo EDM [1].
sigma_schedule (`Literal["karras", "exponential"]`, *opcional*, padrão `"karras"`) : Agendamento para calcular os `sigmas`. Por padrão, usamos o agendamento introduzido no paper EDM (https://huggingface.co/papers/2206.00364). O agendamento `"exponential"` foi incorporado neste modelo: https://huggingface.co/stabilityai/cosxl.

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

prediction_type (`Literal["epsilon", "v_prediction"]`, *opcional*, padrão `"epsilon"`) : Tipo de previsão da função do agendador. `"epsilon"` prevê o ruído do processo de difusão, e `"v_prediction"` (veja a seção 2.4 do paper [Imagen Video](https://huggingface.co/papers/2210.02303)).

rho (`float`, *opcional*, padrão `7.0`) : O parâmetro rho usado para calcular o agendamento de sigma Karras, que é definido como 7.0 no paper EDM [1].

final_sigmas_type (`Literal["zero", "sigma_min"]`, *opcional*, padrão `"zero"`) : O valor final de `sigma` para o agendamento de ruído durante o processo de amostragem. Se `"sigma_min"`, o sigma final é o mesmo que o último sigma no agendamento de treinamento. Se `"zero"`, o sigma final é definido como 0.

Implementa o agendador Euler na formulação EDM, conforme apresentado em Karras et al. 2022 [1].

[1] Karras, Tero, et al. "Elucidating the Design Space of Diffusion-Based Generative Models." https://huggingface.co/papers/2206.00364

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.EDMEulerScheduler.add_noise]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L536)

**Parâmetros:**

original_samples (`torch.Tensor`) : As amostras originais às quais o ruído será adicionado.
noise (`torch.Tensor`) : O tensor de ruído a ser adicionado às amostras originais.
timesteps (`torch.Tensor`) : Os passos de tempo nos quais adicionar ruído, determinando o nível de ruído a partir da agenda.
**Retorna:** `torch.Tensor`
As amostras ruidosas com ruído adicionado, escalado de acordo com a agenda de passos temporais.
Adicione ruído às amostras originais de acordo com o agendamento de ruído nos timesteps especificados.
#### index_for_timestep[[diffusers.EDMEulerScheduler.index_for_timestep]]
```python
index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L381)
**Parâmetros:**
timestep (`float` ou `torch.Tensor`) : O valor do timestep a ser encontrado no schedule.
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 schedule. Para o primeiro passo, retorna o segundo índice se existirem múltiplas correspondências, a fim de evitar pular um sigma ao iniciar no meio do schedule (por exemplo, para image-to-image).
Encontre o índice de um timestep específico na agenda de timesteps.
#### precondition_inputs[[diffusers.EDMEulerScheduler.precondition_inputs]]
```python
precondition_inputs(sample: Tensor, sigma: typing.Union[float, torch.Tensor])
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L177)
**Parâmetros:**
sample (`torch.Tensor`) : O tensor de amostra de entrada para pré-condicionamento.
sigma (`float` ou `torch.Tensor`) : O valor atual de sigma (nível de ruído).
**Retorna:** `torch.Tensor`
A amostra de entrada escalada.
Pré-condicione a amostra de entrada escalando-a de acordo com a formulação EDM.
#### precondition_noise[[diffusers.EDMEulerScheduler.precondition_noise]]
```python
precondition_noise(sigma: typing.Union[float, torch.Tensor])
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L195)
**Parâmetros:**
sigma (`float` ou `torch.Tensor`) : O valor de sigma (nível de ruído) a ser pré-condicionado.
**Retorna:** `torch.Tensor`
O valor de ruído pré-condicionado calculado como `0.25 * log(sigma)`.
Pré-condicione o nível de ruído aplicando uma transformação logarítmica.
#### precondition_outputs[[diffusers.EDMEulerScheduler.precondition_outputs]]
```python
precondition_outputs(sample: Tensor, model_output: Tensor, sigma: typing.Union[float, torch.Tensor])
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L214)
**Parâmetros:**
sample (`torch.Tensor`) : O tensor da amostra de entrada.
model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.
sigma (`float` ou `torch.Tensor`) : O valor atual de sigma (nível de ruído).
**Retorna:** `torch.Tensor`
A amostra desruída calculada combinando a conexão de atalho e a escala de saída.
Pré-condicione as saídas do modelo de acordo com a formulação do EDM.
#### scale_model_input[[diffusers.EDMEulerScheduler.scale_model_input]]
```python
scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L249)
**Parâmetros:**
sample (`torch.Tensor`) : O tensor da amostra de entrada.
timestep (`float` ou `torch.Tensor`) : O timestep atual na cadeia de difusão.
**Retorna:** `torch.Tensor`
Uma amostra de entrada escalada.
Escala a entrada do modelo de desruidamento para corresponder ao algoritmo Euler. Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual.
#### set_begin_index[[diffusers.EDMEulerScheduler.set_begin_index]]
```python
set_begin_index(begin_index: int = 0)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L167)
**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.EDMEulerScheduler.set_timesteps]]

```python
set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, sigmas: typing.Union[list[float], torch.Tensor, NoneType] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L273)

**Parâmetros:**

num_inference_steps (`int`, *opcional*) : 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.

sigmas (`torch.Tensor | list[float]`, *opcional*) : Sigmas personalizados para usar no processo de desruidamento. Se não definidos, o comportamento padrão quando `num_inference_steps` é passado será utilizado.

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

#### etapa[[diffusers.EDMEulerScheduler.step]]

```python
step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True, pred_original_sample: typing.Optional[torch.Tensor] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L427)

**Parâmetros:**

model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.
timestep (`float` 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.
s_churn (`float`, *opcional*, padrão `0.0`) : A quantidade de estocasticidade a ser adicionada em cada etapa. Valores maiores adicionam mais ruído.

s_tmin (`float`, *opcional*, padrão `0.0`) : O limiar mínimo de sigma abaixo do qual nenhum ruído é adicionado.
s_tmax (`float`, *opcional*, padrão `float("inf")`) : O limiar máximo de sigma acima do qual nenhum ruído é adicionado.

s_noise (`float`, *opcional*, padrão `1.0`) : Fator de escala para o ruído adicionado à amostra.
generator (`torch.Generator`, *opcional*) : Um gerador de números aleatórios para reprodutibilidade.
return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um [EDMEulerSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) ou uma tupla.

pred_original_sample (`torch.Tensor`, *opcional*) : A amostra desrujida prevista de uma etapa anterior. Se fornecida, ignora a recomputação.

**Retorna:** [EDMEulerSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) ou `tuple`

Se `return_dict` for `True`, um [EDMEulerSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor da amostra anterior e o segundo elemento é o tensor da amostra original prevista.

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).

## EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

#### diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

```python
diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L32)

**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.
pred_original_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : A amostra desrujida prevista `(x_{0})` com base na saída do modelo do timestep atual. `pred_original_sample` pode ser usado para visualizar o progresso ou para orientação.

Classe de saída para a saída da função `step` do agendador.

Xet Storage Details

Size:: 12.8 kB
Xet hash:: bf602bb36c2f8e4ad5e7faae4e3b6fb2a649aeed05e80e7532345f1201927e9a

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

	# EDMEulerScheduler

	A formulação de Karras do agendador Euler (Algoritmo 2) do artigo [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Este é um agendador rápido que pode frequentemente gerar bons resultados em 20-30 passos. O agendador é baseado na implementação original [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51) de [Katherine Crowson](https://github.com/crowsonkb/).

	## EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

	#### diffusers.EDMEulerScheduler[[diffusers.EDMEulerScheduler]]

	```python
	diffusers.EDMEulerScheduler(sigma_min: float = 0.002, sigma_max: float = 80.0, sigma_data: float = 0.5, sigma_schedule: typing.Literal['karras', 'exponential'] = 'karras', num_train_timesteps: int = 1000, prediction_type: typing.Literal['epsilon', 'v_prediction'] = 'epsilon', rho: float = 7.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L49)

	Parâmetros:

	sigma_min (`float`, opcional, padrão `0.002`) : Magnitude mínima de ruído no agendamento de sigma. Isso foi definido como 0.002 no paper EDM [1]; um intervalo razoável é [0, 10].

	sigma_max (`float`, opcional, padrão `80.0`) : Magnitude máxima de ruído no agendamento de sigma. Isso foi definido como 80.0 no paper EDM [1]; um intervalo razoável é [0.2, 80.0].

	sigma_data (`float`, opcional, padrão `0.5`) : O desvio padrão da distribuição dos dados. Isso é definido como 0,5 no artigo EDM [1].

	sigma_schedule (`Literal["karras", "exponential"]`, opcional, padrão `"karras"`) : Agendamento para calcular os `sigmas`. Por padrão, usamos o agendamento introduzido no paper EDM (https://huggingface.co/papers/2206.00364). O agendamento `"exponential"` foi incorporado neste modelo: https://huggingface.co/stabilityai/cosxl.

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

	prediction_type (`Literal["epsilon", "v_prediction"]`, opcional, padrão `"epsilon"`) : Tipo de previsão da função do agendador. `"epsilon"` prevê o ruído do processo de difusão, e `"v_prediction"` (veja a seção 2.4 do paper [Imagen Video](https://huggingface.co/papers/2210.02303)).

	rho (`float`, opcional, padrão `7.0`) : O parâmetro rho usado para calcular o agendamento de sigma Karras, que é definido como 7.0 no paper EDM [1].

	final_sigmas_type (`Literal["zero", "sigma_min"]`, opcional, padrão `"zero"`) : O valor final de `sigma` para o agendamento de ruído durante o processo de amostragem. Se `"sigma_min"`, o sigma final é o mesmo que o último sigma no agendamento de treinamento. Se `"zero"`, o sigma final é definido como 0.

	Implementa o agendador Euler na formulação EDM, conforme apresentado em Karras et al. 2022 [1].

	[1] Karras, Tero, et al. "Elucidating the Design Space of Diffusion-Based Generative Models." https://huggingface.co/papers/2206.00364

	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.EDMEulerScheduler.add_noise]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L536)

	Parâmetros:

	original_samples (`torch.Tensor`) : As amostras originais às quais o ruído será adicionado.

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

	timesteps (`torch.Tensor`) : Os passos de tempo nos quais adicionar ruído, determinando o nível de ruído a partir da agenda.

	Retorna: `torch.Tensor`

	As amostras ruidosas com ruído adicionado, escalado de acordo com a agenda de passos temporais.

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

	#### index_for_timestep[[diffusers.EDMEulerScheduler.index_for_timestep]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L381)

	Parâmetros:

	timestep (`float` ou `torch.Tensor`) : O valor do timestep a ser encontrado no schedule.

	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 schedule. Para o primeiro passo, retorna o segundo índice se existirem múltiplas correspondências, a fim de evitar pular um sigma ao iniciar no meio do schedule (por exemplo, para image-to-image).

	Encontre o índice de um timestep específico na agenda de timesteps.

	#### precondition_inputs[[diffusers.EDMEulerScheduler.precondition_inputs]]

	```python
	precondition_inputs(sample: Tensor, sigma: typing.Union[float, torch.Tensor])
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L177)

	Parâmetros:

	sample (`torch.Tensor`) : O tensor de amostra de entrada para pré-condicionamento.

	sigma (`float` ou `torch.Tensor`) : O valor atual de sigma (nível de ruído).

	Retorna: `torch.Tensor`

	A amostra de entrada escalada.

	Pré-condicione a amostra de entrada escalando-a de acordo com a formulação EDM.

	#### precondition_noise[[diffusers.EDMEulerScheduler.precondition_noise]]

	```python
	precondition_noise(sigma: typing.Union[float, torch.Tensor])
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L195)

	Parâmetros:

	sigma (`float` ou `torch.Tensor`) : O valor de sigma (nível de ruído) a ser pré-condicionado.

	Retorna: `torch.Tensor`

	O valor de ruído pré-condicionado calculado como `0.25 * log(sigma)`.

	Pré-condicione o nível de ruído aplicando uma transformação logarítmica.

	#### precondition_outputs[[diffusers.EDMEulerScheduler.precondition_outputs]]

	```python
	precondition_outputs(sample: Tensor, model_output: Tensor, sigma: typing.Union[float, torch.Tensor])
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L214)

	Parâmetros:

	sample (`torch.Tensor`) : O tensor da amostra de entrada.

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

	sigma (`float` ou `torch.Tensor`) : O valor atual de sigma (nível de ruído).

	Retorna: `torch.Tensor`

	A amostra desruída calculada combinando a conexão de atalho e a escala de saída.

	Pré-condicione as saídas do modelo de acordo com a formulação do EDM.

	#### scale_model_input[[diffusers.EDMEulerScheduler.scale_model_input]]

	```python
	scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L249)

	Parâmetros:

	sample (`torch.Tensor`) : O tensor da amostra de entrada.

	timestep (`float` ou `torch.Tensor`) : O timestep atual na cadeia de difusão.

	Retorna: `torch.Tensor`

	Uma amostra de entrada escalada.

	Escala a entrada do modelo de desruidamento para corresponder ao algoritmo Euler. Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual.

	#### set_begin_index[[diffusers.EDMEulerScheduler.set_begin_index]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L167)

	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.EDMEulerScheduler.set_timesteps]]

	```python
	set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, sigmas: typing.Union[list[float], torch.Tensor, NoneType] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L273)

	Parâmetros:

	num_inference_steps (`int`, opcional) : 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.

	sigmas (`torch.Tensor \| list[float]`, opcional) : Sigmas personalizados para usar no processo de desruidamento. Se não definidos, o comportamento padrão quando `num_inference_steps` é passado será utilizado.

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

	#### etapa[[diffusers.EDMEulerScheduler.step]]

	```python
	step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True, pred_original_sample: typing.Optional[torch.Tensor] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L427)

	Parâmetros:

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

	timestep (`float` 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.

	s_churn (`float`, opcional, padrão `0.0`) : A quantidade de estocasticidade a ser adicionada em cada etapa. Valores maiores adicionam mais ruído.

	s_tmin (`float`, opcional, padrão `0.0`) : O limiar mínimo de sigma abaixo do qual nenhum ruído é adicionado.

	s_tmax (`float`, opcional, padrão `float("inf")`) : O limiar máximo de sigma acima do qual nenhum ruído é adicionado.

	s_noise (`float`, opcional, padrão `1.0`) : Fator de escala para o ruído adicionado à amostra.

	generator (`torch.Generator`, opcional) : Um gerador de números aleatórios para reprodutibilidade.

	return_dict (`bool`, opcional, padrão `True`) : Se deve ou não retornar um [EDMEulerSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) ou uma tupla.

	pred_original_sample (`torch.Tensor`, opcional) : A amostra desrujida prevista de uma etapa anterior. Se fornecida, ignora a recomputação.

	Retorna: [EDMEulerSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) ou `tuple`

	Se `return_dict` for `True`, um [EDMEulerSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/edm_euler#diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput) é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor da amostra anterior e o segundo elemento é o tensor da amostra original prevista.

	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).

	## EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

	#### diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput[[diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput]]

	```python
	diffusers.schedulers.scheduling_edm_euler.EDMEulerSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_edm_euler.py#L32)

	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.

	pred_original_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : A amostra desrujida prevista `(x_{0})` com base na saída do modelo do timestep atual. `pred_original_sample` pode ser usado para visualizar o progresso ou para orientação.

	Classe de saída para a saída da função `step` do agendador.