Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

3 days ago

preview code

download

raw

19.8 kB

# DPMSolverMultistepScheduler

`DPMSolverMultistepScheduler` é um agendador multietapa do [DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps](https://huggingface.co/papers/2206.00927) e do [DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models](https://huggingface.co/papers/2211.01095), de Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li e Jun Zhu.

DPMSolver (e a versão aprimorada DPMSolver++) é um solver de alta ordem dedicado e rápido para equações diferenciais ordinárias de difusão, com garantia de ordem de convergência. Empiricamente, a amostragem com DPMSolver usando apenas 20 passos pode gerar amostras de alta qualidade, e é capaz de gerar amostras bastante boas mesmo em 10 passos.

## Dicas

É recomendado definir `solver_order` como 2 para amostragem guiada e `solver_order=3` para amostragem incondicional.

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 tanto `algorithm_type="dpmsolver++"` quanto `thresholding=True` para usar o thresholding dinâmico. Esse método de thresholding não é adequado para modelos de difusão no espaço latente, como o Stable Diffusion.

A variante SDE do DPMSolver e do DPM-Solver++ também é suportada, mas apenas para os solvers de primeira e segunda ordem. Este é um solver SDE rápido para o SDE de difusão reversa. Recomenda-se o uso do solver de segunda ordem `sde-dpmsolver++`.

## DPMSolverMultistepScheduler[[diffusers.DPMSolverMultistepScheduler]]

#### diffusers.DPMSolverMultistepScheduler[[diffusers.DPMSolverMultistepScheduler]]

```python
diffusers.DPMSolverMultistepScheduler(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, 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['dpmsolver', 'dpmsolver++', 'sde-dpmsolver', 'sde-dpmsolver++'] = 'dpmsolver++', solver_type: typing.Literal['midpoint', 'heun'] = 'midpoint', lower_order_final: bool = True, euler_at_final: bool = False, use_karras_sigmas: bool = False, use_exponential_sigmas: bool = False, use_beta_sigmas: bool = False, use_lu_lambdas: bool = False, use_flow_sigmas: bool = False, flow_shift: float = 1.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero', lambda_min_clipped: float = -inf, variance_type: typing.Optional[typing.Literal['learned', 'learned_range']] = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, use_dynamic_shifting: bool = False, time_shift_type: typing.Literal['exponential'] = 'exponential')
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L123)

**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 `"linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o avanço do modelo.

trained_betas (`np.ndarray`, *opcional*) : Passe um array de betas diretamente para o construtor para ignorar `beta_start` e `beta_end`.
solver_order (`int`, padrão 2) : A ordem do DPMSolver, 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"` ou `"flow_prediction"`, padrão `"epsilon"`) : Tipo de previsão da função do agendador. `epsilon` prevê o ruído do processo de difusão, `sample` prevê diretamente a amostra com ruído, `v_prediction` prevê a velocidade (veja a seção 2.4 do paper [Imagen Video](https://huggingface.co/papers/2210.02303)) e `flow_prediction` prevê o fluxo.
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` e `algorithm_type="dpmsolver++"`.

algorithm_type (`"dpmsolver"`, `"dpmsolver++"`, `"sde-dpmsolver"` ou `"sde-dpmsolver++"`, padrão `"dpmsolver++"`) : Tipo de algoritmo para o solver. O tipo `dpmsolver` implementa os algoritmos do paper [DPMSolver](https://huggingface.co/papers/2206.00927), e o tipo `dpmsolver++` implementa os algoritmos do paper [DPMSolver++](https://huggingface.co/papers/2211.01095). Recomenda-se usar `dpmsolver++` ou `sde-dpmsolver++` com `solver_order=2` para amostragem guiada, como no Stable Diffusion.

solver_type (`"midpoint"` ou `"heun"`, padrão `"midpoint"`) : Tipo de solver para o solver de segunda ordem. O tipo de solver afeta levemente a qualidade da amostra, especialmente para um pequeno número de passos. É recomendado usar solvers `midpoint`.
lower_order_final (`bool`, padrão `True`) : Se deve usar solucionadores de ordem inferior nas etapas finais. Válido apenas para < 15 etapas de inferência. Isso pode estabilizar a amostragem do DPMSolver para etapas < 15, especialmente para etapas <= 10.
euler_at_final (`bool`, padrão `False`) : Se deve usar o método de Euler na etapa final. Trata-se de um compromisso entre estabilidade numérica e riqueza de detalhes. Isso pode estabilizar a amostragem da variante SDE do DPMSolver para um pequeno número de etapas de inferência, mas às vezes pode resultar em embaçamento.
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_lu_lambdas (`bool`, *opcional*, padrão `False`) : Se deve usar o uniform-logSNR para os tamanhos de passo propostos pelo DPM-Solver de Lu no agendamento de ruído durante o processo de amostragem. Se `True`, os sigmas e os passos de tempo são determinados de acordo com uma sequência de `lambda(t)`.
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 valor de deslocamento para o agendamento de passos de tempo para correspondência de fluxo.

final_sigmas_type (`"zero"` ou `"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.

lambda_min_clipped (`float`, padrão `-inf`) : Limite de corte para o valor mínimo de `lambda(t)` para estabilidade numérica. Isso é crítico para o agendamento de ruído cosseno (`squaredcos_cap_v2`).

variance_type (`"learned"` ou `"learned_range"`, *opcional*) : Defina como `"learned"` ou `"learned_range"` para modelos de difusão que preveem a variância. Se definido, a saída do modelo contém a variância gaussiana prevista.
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.
rescale_betas_zero_snr (`bool`, padrão `False`) : Se deve reescalar os betas para ter SNR terminal zero. Isso permite que o modelo gere amostras muito claras e escuras, em vez de limitá-lo a amostras com brilho médio. Relacionado de forma solta a [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).

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

time_shift_type (`"exponential"`, padrão é `"exponential"`) : O tipo de deslocamento de tempo a ser aplicado ao usar o deslocamento dinâmico.

`DPMSolverMultistepScheduler` é um solver de alta ordem dedicado e rápido para EDOs 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.DPMSolverMultistepScheduler.add_noise]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1303)

**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.DPMSolverMultistepScheduler.convert_model_output]]
```python
convert_model_output(model_output: Tensor, *args, sample: typing.Optional[torch.Tensor] = None, **kwargs)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L749)
**Parâmetros:**

model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.
sample (`torch.Tensor`, *opcional*) : Uma instância atual de uma amostra criada pelo processo de difusão.
**Retorna:** `torch.Tensor`
A saída do modelo convertido.
Converte a saída do modelo para o tipo correspondente que o algoritmo DPMSolver/DPMSolver++ precisa. O DPM-Solver foi projetado para discretizar uma integral do modelo de previsão de ruído, e o DPM-Solver++ foi projetado para discretizar uma integral do modelo de previsão de dados.
> [!TIP] > O algoritmo e o tipo de modelo são desacoplados. Você pode usar DPMSolver ou DPMSolver++ para ambos
ruído > previsão e modelos de previsão de dados.
#### dpm_solver_first_order_update[[diffusers.DPMSolverMultistepScheduler.dpm_solver_first_order_update]]
```python
dpm_solver_first_order_update(model_output: Tensor, *args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, **kwargs)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L847)
**Parâmetros:**

model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.
sample (`torch.Tensor`, *opcional*) : Uma instância atual de uma amostra criada pelo processo de difusão.
noise (`torch.Tensor`, *opcional*) : O tensor de ruído.
**Retorna:** `torch.Tensor`
O tensor de amostra no passo de tempo anterior.
Um passo para o DPMSolver de primeira ordem (equivalente ao DDIM).
#### index_for_timestep[[diffusers.DPMSolverMultistepScheduler.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_dpmsolver_multistep.py#L1144)
**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_dpm_solver_second_order_update[[diffusers.DPMSolverMultistepScheduler.multistep_dpm_solver_second_order_update]]
```python
multistep_dpm_solver_second_order_update(model_output_list: list[torch.Tensor], *args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, **kwargs)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L921)
**Parâmetros:**
model_output_list (`list[torch.Tensor]`) : As saídas diretas do modelo de difusão aprendido nos timesteps atuais e posteriores.
sample (`torch.Tensor`, *opcional*) : Uma instância atual de uma amostra criada pelo processo de difusão.
noise (`torch.Tensor`, *opcional*) : Ruído aleatório usado pelas variantes de solucionador estocástico (`sde-*`). Obrigatório quando `algorithm_type` é definido como um deles e não utilizado caso contrário.

**Retorna:** `torch.Tensor`

O tensor de amostra no passo de tempo anterior.

Um passo para o DPMSolver multietapa de segunda ordem.

#### multistep_dpm_solver_third_order_update[[diffusers.DPMSolverMultistepScheduler.multistep_dpm_solver_third_order_update]]

```python
multistep_dpm_solver_third_order_update(model_output_list: list[torch.Tensor], *args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, **kwargs)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1047)

**Parâmetros:**

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

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

noise (`torch.Tensor`, *opcional*) : O tensor de ruído.

**Retorna:** `torch.Tensor`

O tensor de amostra no passo de tempo anterior.

Um passo do DPMSolver multietapa de terceira ordem.

#### scale_model_input[[diffusers.DPMSolverMultistepScheduler.scale_model_input]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1288)

**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.DPMSolverMultistepScheduler.set_begin_index]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L357)

**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.DPMSolverMultistepScheduler.set_timesteps]]
```python
set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, mu: float | None = None, timesteps: list[int] | None = None)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L367)
**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.
mu (`float`, *opcional*) : Expoente para o deslocamento dinâmico do tempo. Exige `use_dynamic_shifting` e um `time_shift_type` de `"exponential"`; quando fornecido, `flow_shift` é definido como `exp(mu)`.
timesteps (`list[int]`, *opcional*) : Timesteps personalizados usados para suportar um agendamento de timesteps arbitrário. Se `None`, os timesteps serão gerados com base no atributo `timestep_spacing`. Se `timesteps` for passado, `num_inference_steps` e `sigmas` devem ser `None`, e o atributo `timestep_spacing` será ignorado.
Define os passos discretos usados para a cadeia de difusão (a ser executado antes da inferência).
#### etapa[[diffusers.DPMSolverMultistepScheduler.step]]
```python
step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, variance_noise: typing.Optional[torch.Tensor] = None, return_dict: bool = True)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1196)
**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.

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

variance_noise (`torch.Tensor`, *opcional*) : Alternativa para gerar ruído com `generator` fornecendo diretamente o ruído para a variância em si. Útil para métodos como `LEdits++`.
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 da amostra.

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

## 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:: 19.8 kB
Xet hash:: f0d59043df795788dcf62423a8578818cdacc84c19dbd499827ba65899310a44

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

	# DPMSolverMultistepScheduler

	`DPMSolverMultistepScheduler` é um agendador multietapa do [DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps](https://huggingface.co/papers/2206.00927) e do [DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models](https://huggingface.co/papers/2211.01095), de Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li e Jun Zhu.

	DPMSolver (e a versão aprimorada DPMSolver++) é um solver de alta ordem dedicado e rápido para equações diferenciais ordinárias de difusão, com garantia de ordem de convergência. Empiricamente, a amostragem com DPMSolver usando apenas 20 passos pode gerar amostras de alta qualidade, e é capaz de gerar amostras bastante boas mesmo em 10 passos.

	## Dicas

	É recomendado definir `solver_order` como 2 para amostragem guiada e `solver_order=3` para amostragem incondicional.

	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 tanto `algorithm_type="dpmsolver++"` quanto `thresholding=True` para usar o thresholding dinâmico. Esse método de thresholding não é adequado para modelos de difusão no espaço latente, como o Stable Diffusion.

	A variante SDE do DPMSolver e do DPM-Solver++ também é suportada, mas apenas para os solvers de primeira e segunda ordem. Este é um solver SDE rápido para o SDE de difusão reversa. Recomenda-se o uso do solver de segunda ordem `sde-dpmsolver++`.

	## DPMSolverMultistepScheduler[[diffusers.DPMSolverMultistepScheduler]]

	#### diffusers.DPMSolverMultistepScheduler[[diffusers.DPMSolverMultistepScheduler]]

	```python
	diffusers.DPMSolverMultistepScheduler(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, 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['dpmsolver', 'dpmsolver++', 'sde-dpmsolver', 'sde-dpmsolver++'] = 'dpmsolver++', solver_type: typing.Literal['midpoint', 'heun'] = 'midpoint', lower_order_final: bool = True, euler_at_final: bool = False, use_karras_sigmas: bool = False, use_exponential_sigmas: bool = False, use_beta_sigmas: bool = False, use_lu_lambdas: bool = False, use_flow_sigmas: bool = False, flow_shift: float = 1.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero', lambda_min_clipped: float = -inf, variance_type: typing.Optional[typing.Literal['learned', 'learned_range']] = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, use_dynamic_shifting: bool = False, time_shift_type: typing.Literal['exponential'] = 'exponential')
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L123)

	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 `"linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o avanço do modelo.

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

	solver_order (`int`, padrão 2) : A ordem do DPMSolver, 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"` ou `"flow_prediction"`, padrão `"epsilon"`) : Tipo de previsão da função do agendador. `epsilon` prevê o ruído do processo de difusão, `sample` prevê diretamente a amostra com ruído, `v_prediction` prevê a velocidade (veja a seção 2.4 do paper [Imagen Video](https://huggingface.co/papers/2210.02303)) e `flow_prediction` prevê o fluxo.

	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` e `algorithm_type="dpmsolver++"`.

	algorithm_type (`"dpmsolver"`, `"dpmsolver++"`, `"sde-dpmsolver"` ou `"sde-dpmsolver++"`, padrão `"dpmsolver++"`) : Tipo de algoritmo para o solver. O tipo `dpmsolver` implementa os algoritmos do paper [DPMSolver](https://huggingface.co/papers/2206.00927), e o tipo `dpmsolver++` implementa os algoritmos do paper [DPMSolver++](https://huggingface.co/papers/2211.01095). Recomenda-se usar `dpmsolver++` ou `sde-dpmsolver++` com `solver_order=2` para amostragem guiada, como no Stable Diffusion.

	solver_type (`"midpoint"` ou `"heun"`, padrão `"midpoint"`) : Tipo de solver para o solver de segunda ordem. O tipo de solver afeta levemente a qualidade da amostra, especialmente para um pequeno número de passos. É recomendado usar solvers `midpoint`.

	lower_order_final (`bool`, padrão `True`) : Se deve usar solucionadores de ordem inferior nas etapas finais. Válido apenas para < 15 etapas de inferência. Isso pode estabilizar a amostragem do DPMSolver para etapas < 15, especialmente para etapas <= 10.

	euler_at_final (`bool`, padrão `False`) : Se deve usar o método de Euler na etapa final. Trata-se de um compromisso entre estabilidade numérica e riqueza de detalhes. Isso pode estabilizar a amostragem da variante SDE do DPMSolver para um pequeno número de etapas de inferência, mas às vezes pode resultar em embaçamento.

	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_lu_lambdas (`bool`, opcional, padrão `False`) : Se deve usar o uniform-logSNR para os tamanhos de passo propostos pelo DPM-Solver de Lu no agendamento de ruído durante o processo de amostragem. Se `True`, os sigmas e os passos de tempo são determinados de acordo com uma sequência de `lambda(t)`.

	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 valor de deslocamento para o agendamento de passos de tempo para correspondência de fluxo.

	final_sigmas_type (`"zero"` ou `"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.

	lambda_min_clipped (`float`, padrão `-inf`) : Limite de corte para o valor mínimo de `lambda(t)` para estabilidade numérica. Isso é crítico para o agendamento de ruído cosseno (`squaredcos_cap_v2`).

	variance_type (`"learned"` ou `"learned_range"`, opcional) : Defina como `"learned"` ou `"learned_range"` para modelos de difusão que preveem a variância. Se definido, a saída do modelo contém a variância gaussiana prevista.

	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.

	rescale_betas_zero_snr (`bool`, padrão `False`) : Se deve reescalar os betas para ter SNR terminal zero. Isso permite que o modelo gere amostras muito claras e escuras, em vez de limitá-lo a amostras com brilho médio. Relacionado de forma solta a [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).

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

	time_shift_type (`"exponential"`, padrão é `"exponential"`) : O tipo de deslocamento de tempo a ser aplicado ao usar o deslocamento dinâmico.

	`DPMSolverMultistepScheduler` é um solver de alta ordem dedicado e rápido para EDOs 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.DPMSolverMultistepScheduler.add_noise]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1303)

	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.DPMSolverMultistepScheduler.convert_model_output]]

	```python
	convert_model_output(model_output: Tensor, args, sample: typing.Optional[torch.Tensor] = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L749)

	Parâmetros:

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

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

	Retorna: `torch.Tensor`

	A saída do modelo convertido.

	Converte a saída do modelo para o tipo correspondente que o algoritmo DPMSolver/DPMSolver++ precisa. O DPM-Solver foi projetado para discretizar uma integral do modelo de previsão de ruído, e o DPM-Solver++ foi projetado para discretizar uma integral do modelo de previsão de dados.

	> [!TIP] > O algoritmo e o tipo de modelo são desacoplados. Você pode usar DPMSolver ou DPMSolver++ para ambos
	ruído > previsão e modelos de previsão de dados.

	#### dpm_solver_first_order_update[[diffusers.DPMSolverMultistepScheduler.dpm_solver_first_order_update]]

	```python
	dpm_solver_first_order_update(model_output: Tensor, args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L847)

	Parâmetros:

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

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

	noise (`torch.Tensor`, opcional) : O tensor de ruído.

	Retorna: `torch.Tensor`

	O tensor de amostra no passo de tempo anterior.

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

	#### index_for_timestep[[diffusers.DPMSolverMultistepScheduler.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_dpmsolver_multistep.py#L1144)

	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_dpm_solver_second_order_update[[diffusers.DPMSolverMultistepScheduler.multistep_dpm_solver_second_order_update]]

	```python
	multistep_dpm_solver_second_order_update(model_output_list: list[torch.Tensor], args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L921)

	Parâmetros:

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

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

	noise (`torch.Tensor`, opcional) : Ruído aleatório usado pelas variantes de solucionador estocástico (`sde-*`). Obrigatório quando `algorithm_type` é definido como um deles e não utilizado caso contrário.

	Retorna: `torch.Tensor`

	O tensor de amostra no passo de tempo anterior.

	Um passo para o DPMSolver multietapa de segunda ordem.

	#### multistep_dpm_solver_third_order_update[[diffusers.DPMSolverMultistepScheduler.multistep_dpm_solver_third_order_update]]

	```python
	multistep_dpm_solver_third_order_update(model_output_list: list[torch.Tensor], args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, *kwargs)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1047)

	Parâmetros:

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

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

	noise (`torch.Tensor`, opcional) : O tensor de ruído.

	Retorna: `torch.Tensor`

	O tensor de amostra no passo de tempo anterior.

	Um passo do DPMSolver multietapa de terceira ordem.

	#### scale_model_input[[diffusers.DPMSolverMultistepScheduler.scale_model_input]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1288)

	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.DPMSolverMultistepScheduler.set_begin_index]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L357)

	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.DPMSolverMultistepScheduler.set_timesteps]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L367)

	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.

	mu (`float`, opcional) : Expoente para o deslocamento dinâmico do tempo. Exige `use_dynamic_shifting` e um `time_shift_type` de `"exponential"`; quando fornecido, `flow_shift` é definido como `exp(mu)`.

	timesteps (`list[int]`, opcional) : Timesteps personalizados usados para suportar um agendamento de timesteps arbitrário. Se `None`, os timesteps serão gerados com base no atributo `timestep_spacing`. Se `timesteps` for passado, `num_inference_steps` e `sigmas` devem ser `None`, e o atributo `timestep_spacing` será ignorado.

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

	#### etapa[[diffusers.DPMSolverMultistepScheduler.step]]

	```python
	step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, variance_noise: typing.Optional[torch.Tensor] = None, return_dict: bool = True)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_dpmsolver_multistep.py#L1196)

	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.

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

	variance_noise (`torch.Tensor`, opcional) : Alternativa para gerar ruído com `generator` fornecendo diretamente o ruído para a variância em si. Útil para métodos como `LEdits++`.

	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 da amostra.

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

	## 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.