Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

7 days ago

preview code

download

raw

15.9 kB

# TCDScheduler

[Trajectory Consistency Distillation](https://huggingface.co/papers/2402.19159), de Jianbin Zheng, Minghui Hu, Zhongyi Fan, Chaoyue Wang, Changxing Ding, Dacheng Tao e Tat-Jen Cham, introduziu o Strategic Stochastic Sampling (Algoritmo 4), capaz de gerar bons exemplos em um pequeno número de etapas. Diferenciando-o como uma iteração avançada do multistep scheduler (Algoritmo 1) dos [Consistency Models](https://huggingface.co/papers/2303.01469), o Strategic Stochastic Sampling foi especificamente adaptado para a função de consistência de trajetória.

O resumo do artigo é:

*O Latent Consistency Model (LCM) estende o Consistency Model para o espaço latente e utiliza a técnica de destilação de consistência guiada para alcançar um desempenho impressionante na aceleração da síntese de texto para imagem. No entanto, observamos que o LCM tem dificuldade em gerar imagens com clareza e intrincados detalhes simultaneamente. Para abordar essa limitação, inicialmente investigamos e elucidamos as causas subjacentes. Nossa investigação identifica que o problema principal decorre de erros em três áreas distintas. Consequentemente, introduzimos a Trajectory Consistency Distillation (TCD), que abrange a função de consistência de trajetória e a amostragem estocástica estratégica. A função de consistência de trajetória reduz os erros de destilação ao ampliar o escopo da condição de fronteira de autoconsistência e ao conferir à TCD a capacidade de rastrear com precisão toda a trajetória da Probability Flow ODE. Além disso, a amostragem estocástica estratégica foi projetada especificamente para contornar os erros acumulados inerentes à amostragem de consistência em múltiplas etapas, sendo meticulosamente adaptada para complementar o modelo TCD. Os experimentos demonstram que a TCD não apenas melhora significativamente a qualidade da imagem em baixos NFEs, mas também produz resultados mais detalhados em comparação com o modelo professor em altos NFEs.*

O código original pode ser encontrado em [jabir-zheng/TCD](https://github.com/jabir-zheng/TCD).

## TCDScheduler[[diffusers.TCDScheduler]]

#### diffusers.TCDScheduler[[diffusers.TCDScheduler]]

```python
diffusers.TCDScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.00085, beta_end: float = 0.012, beta_schedule: str = 'scaled_linear', trained_betas: numpy.ndarray | list[float] | None = None, original_inference_steps: int = 50, clip_sample: bool = False, clip_sample_range: float = 1.0, set_alpha_to_one: bool = True, steps_offset: int = 0, prediction_type: str = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, timestep_spacing: str = 'leading', timestep_scaling: float = 10.0, rescale_betas_zero_snr: bool = False)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L141)

**Parâmetros:**

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

beta_start (`float`, padrão `0.00085`) : O valor inicial de `beta` para a inferência.
beta_end (`float`, padrão `0.012`) : O valor final de `beta`.

beta_schedule (`str`, padrão `"scaled_linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o avanço do 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`.

original_inference_steps (`int`, padrão `50`) : O número padrão de etapas de inferência usado para gerar um cronograma de timesteps linearmente espaçados, do qual, em última análise, extrairemos `num_inference_steps` timesteps igualmente espaçados para formar o cronograma final de timesteps.

clip_sample (`bool`, padrão `False`) : Recorta a amostra prevista para estabilidade numérica.
clip_sample_range (`float`, padrão `1.0`) : A magnitude máxima para o recorte de amostras. Válido apenas quando `clip_sample=True`.

set_alpha_to_one (`bool`, padrão `True`) : Cada etapa de difusão usa o valor do produto de alfas nessa etapa e na etapa anterior. Para a etapa final, não há um alfa anterior. Quando esta opção é `True`, o produto de alfas anterior é fixado em `1`; caso contrário, é usado o valor de alfa da etapa 0.
steps_offset (`int`, padrão `0`) : Um deslocamento adicionado às etapas de inferência, conforme exigido por algumas famílias de modelos.

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

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`.

timestep_spacing (`str`, padrão `"leading"`) : 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.
timestep_scaling (`float`, padrão `10.0`) : O fator pelo qual os timesteps serão multiplicados ao calcular as condições de fronteira do modelo de consistência `c_skip` e `c_out`. Aumentar esse valor reduzirá o erro de aproximação (embora o erro de aproximação no padrão de `10.0` já seja bastante pequeno).

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).
`TCDScheduler` incorpora o `Strategic Stochastic Sampling` introduzido pelo artigo `Trajectory Consistency Distillation`, estendendo o Multistep Consistency Sampling original para permitir a travessia irrestrita de trajetórias.
Este código é baseado no repositório oficial do TCD(https://github.com/jabir-zheng/TCD).
Este modelo herda de [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) e [ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin). [~ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin) cuida de armazenar todos os atributos de configuração que são passados na função `__init__` do scheduler, como `num_train_timesteps`. Eles podem ser acessados via `scheduler.config.num_train_timesteps`. [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) fornece funcionalidade geral de carregamento e salvamento por meio das funções [SchedulerMixin.save_pretrained()](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin.save_pretrained) e [from_pretrained()](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained).
#### add_noise[[diffusers.TCDScheduler.add_noise]]
```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: IntTensor)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L702)
**Parâmetros:**
original_samples (`torch.Tensor`) : As amostras originais às quais o ruído será adicionado.

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

timesteps (`torch.IntTensor`) : Os timesteps que indicam o nível de ruído para cada amostra.

**Retorna:** `torch.Tensor`

As amostras ruidosas.

Adicione ruído às amostras originais de acordo com a magnitude do ruído em cada timestep (este é o processo de difusão direta).

#### get_velocity[[diffusers.TCDScheduler.get_velocity]]

```python
get_velocity(sample: Tensor, noise: Tensor, timesteps: IntTensor)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L745)

**Parâmetros:**

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

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

timesteps (`torch.IntTensor`) : Os passos de tempo para o cálculo da velocidade.

**Retorna:** `torch.Tensor`

A velocidade calculada.

Calcule a previsão de velocidade a partir da amostra e do ruído de acordo com a fórmula de velocidade.

#### index_for_timestep[[diffusers.TCDScheduler.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_tcd.py#L263)

**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.
#### previous_timestep[[diffusers.TCDScheduler.previous_timestep]]
```python
previous_timestep(timestep: int)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L790)
**Parâmetros:**
timestep (`int`) : O timestep atual.
**Retorna:** `int` ou `torch.Tensor`
O passo de tempo anterior.
Calcule o passo de tempo anterior na cadeia de difusão.
#### scale_model_input[[diffusers.TCDScheduler.scale_model_input]]
```python
scale_model_input(sample: Tensor, timestep: typing.Union[int, torch.Tensor, NoneType] = None)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L342)
**Parâmetros:**
sample (`torch.Tensor`) : A amostra de entrada.
timestep (`int` ou `torch.Tensor`, *opcional*) : O passo de tempo atual na cadeia de difusão.
**Retorna:** `torch.Tensor`
Uma amostra de entrada escalada.
Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual.
#### set_begin_index[[diffusers.TCDScheduler.set_begin_index]]
```python
set_begin_index(begin_index: int = 0)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L332)
**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.TCDScheduler.set_timesteps]]

```python
set_timesteps(num_inference_steps: int | None = None, device: typing.Union[str, torch.device, NoneType] = None, original_inference_steps: int | None = None, timesteps: list[int] | None = None, strength: float = 1.0)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L432)

**Parâmetros:**

num_inference_steps (`int`, *opcional*) : O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado. Se usado, `timesteps` deve ser `None`.

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

original_inference_steps (`int`, *opcional*) : O número original de etapas de inferência, que será usado para gerar um cronograma de timesteps linearmente espaçados (que é diferente da implementação padrão do `diffusers`). Em seguida, tomaremos `num_inference_steps` timesteps desse cronograma, espaçados uniformemente em termos de índices, e usaremos isso como nosso cronograma final de timesteps. Se não for definido, isso será padrão para o atributo `original_inference_steps`.

timesteps (`list[int]`, *opcional*) : Passos de tempo personalizados usados para suportar espaçamento arbitrário entre os passos de tempo. Se `None`, a estratégia padrão de espaçamento, com espaçamento igual entre os passos de tempo no agendamento de passos de tempo de treinamento/destilação, é usada. Se `timesteps` for passado, `num_inference_steps` deve ser `None`.

strength (`float`, padrão `1.0`) : Usado para determinar o número de timesteps usados para inferência ao usar img2img, inpaint, etc.

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

#### etapa[[diffusers.TCDScheduler.step]]

```python
step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, eta: float = 0.3, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L594)

**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.
eta (`float`, padrão `0.3`) : Um parâmetro estocástico (referido como `gamma` no artigo) usado para controlar a estocasticidade em cada etapa. Quando eta = 0, representa amostragem determinística, enquanto eta = 1 indica amostragem totalmente estocástica.
generator (`torch.Generator`, *opcional*) : Um gerador de números aleatórios.
return_dict (`bool`, padrão `True`) : Se deve ou não retornar um [TCDSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/tcd#diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput) ou `tuple`.

**Retorna:** [TCDSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/tcd#diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput) ou `tuple[torch.Tensor, torch.Tensor]`

If return_dict is `True`, [TCDSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/tcd#diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput) is returned, otherwise a tuple is returned containing the previous sample and the predicted noised sample.
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).
## TCDSchedulerOutput[[diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput]]

#### diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput[[diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput]]

```python
diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput(prev_sample: Tensor, pred_noised_sample: typing.Optional[torch.Tensor] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L35)

**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_noised_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens, *opcional*) : A amostra com ruído previsto `(x_{s})` com base na saída do modelo do timestep atual.

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

Xet Storage Details

Size:: 15.9 kB
Xet hash:: 8b7c0f015fe4f5eac5176797ea7a594dce238de46a35a50ff8bb229c0748cf07

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

	# TCDScheduler

	[Trajectory Consistency Distillation](https://huggingface.co/papers/2402.19159), de Jianbin Zheng, Minghui Hu, Zhongyi Fan, Chaoyue Wang, Changxing Ding, Dacheng Tao e Tat-Jen Cham, introduziu o Strategic Stochastic Sampling (Algoritmo 4), capaz de gerar bons exemplos em um pequeno número de etapas. Diferenciando-o como uma iteração avançada do multistep scheduler (Algoritmo 1) dos [Consistency Models](https://huggingface.co/papers/2303.01469), o Strategic Stochastic Sampling foi especificamente adaptado para a função de consistência de trajetória.

	O resumo do artigo é:

	O Latent Consistency Model (LCM) estende o Consistency Model para o espaço latente e utiliza a técnica de destilação de consistência guiada para alcançar um desempenho impressionante na aceleração da síntese de texto para imagem. No entanto, observamos que o LCM tem dificuldade em gerar imagens com clareza e intrincados detalhes simultaneamente. Para abordar essa limitação, inicialmente investigamos e elucidamos as causas subjacentes. Nossa investigação identifica que o problema principal decorre de erros em três áreas distintas. Consequentemente, introduzimos a Trajectory Consistency Distillation (TCD), que abrange a função de consistência de trajetória e a amostragem estocástica estratégica. A função de consistência de trajetória reduz os erros de destilação ao ampliar o escopo da condição de fronteira de autoconsistência e ao conferir à TCD a capacidade de rastrear com precisão toda a trajetória da Probability Flow ODE. Além disso, a amostragem estocástica estratégica foi projetada especificamente para contornar os erros acumulados inerentes à amostragem de consistência em múltiplas etapas, sendo meticulosamente adaptada para complementar o modelo TCD. Os experimentos demonstram que a TCD não apenas melhora significativamente a qualidade da imagem em baixos NFEs, mas também produz resultados mais detalhados em comparação com o modelo professor em altos NFEs.

	O código original pode ser encontrado em [jabir-zheng/TCD](https://github.com/jabir-zheng/TCD).

	## TCDScheduler[[diffusers.TCDScheduler]]

	#### diffusers.TCDScheduler[[diffusers.TCDScheduler]]

	```python
	diffusers.TCDScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.00085, beta_end: float = 0.012, beta_schedule: str = 'scaled_linear', trained_betas: numpy.ndarray \| list[float] \| None = None, original_inference_steps: int = 50, clip_sample: bool = False, clip_sample_range: float = 1.0, set_alpha_to_one: bool = True, steps_offset: int = 0, prediction_type: str = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, timestep_spacing: str = 'leading', timestep_scaling: float = 10.0, rescale_betas_zero_snr: bool = False)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L141)

	Parâmetros:

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

	beta_start (`float`, padrão `0.00085`) : O valor inicial de `beta` para a inferência.

	beta_end (`float`, padrão `0.012`) : O valor final de `beta`.

	beta_schedule (`str`, padrão `"scaled_linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o avanço do 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`.

	original_inference_steps (`int`, padrão `50`) : O número padrão de etapas de inferência usado para gerar um cronograma de timesteps linearmente espaçados, do qual, em última análise, extrairemos `num_inference_steps` timesteps igualmente espaçados para formar o cronograma final de timesteps.

	clip_sample (`bool`, padrão `False`) : Recorta a amostra prevista para estabilidade numérica.

	clip_sample_range (`float`, padrão `1.0`) : A magnitude máxima para o recorte de amostras. Válido apenas quando `clip_sample=True`.

	set_alpha_to_one (`bool`, padrão `True`) : Cada etapa de difusão usa o valor do produto de alfas nessa etapa e na etapa anterior. Para a etapa final, não há um alfa anterior. Quando esta opção é `True`, o produto de alfas anterior é fixado em `1`; caso contrário, é usado o valor de alfa da etapa 0.

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

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

	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`.

	timestep_spacing (`str`, padrão `"leading"`) : 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.

	timestep_scaling (`float`, padrão `10.0`) : O fator pelo qual os timesteps serão multiplicados ao calcular as condições de fronteira do modelo de consistência `c_skip` e `c_out`. Aumentar esse valor reduzirá o erro de aproximação (embora o erro de aproximação no padrão de `10.0` já seja bastante pequeno).

	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).

	`TCDScheduler` incorpora o `Strategic Stochastic Sampling` introduzido pelo artigo `Trajectory Consistency Distillation`, estendendo o Multistep Consistency Sampling original para permitir a travessia irrestrita de trajetórias.

	Este código é baseado no repositório oficial do TCD(https://github.com/jabir-zheng/TCD).

	Este modelo herda de [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) e [ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin). [~ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin) cuida de armazenar todos os atributos de configuração que são passados na função `__init__` do scheduler, como `num_train_timesteps`. Eles podem ser acessados via `scheduler.config.num_train_timesteps`. [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) fornece funcionalidade geral de carregamento e salvamento por meio das funções [SchedulerMixin.save_pretrained()](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin.save_pretrained) e [from_pretrained()](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained).

	#### add_noise[[diffusers.TCDScheduler.add_noise]]

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

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

	Parâmetros:

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

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

	timesteps (`torch.IntTensor`) : Os timesteps que indicam o nível de ruído para cada amostra.

	Retorna: `torch.Tensor`

	As amostras ruidosas.

	Adicione ruído às amostras originais de acordo com a magnitude do ruído em cada timestep (este é o processo de difusão direta).

	#### get_velocity[[diffusers.TCDScheduler.get_velocity]]

	```python
	get_velocity(sample: Tensor, noise: Tensor, timesteps: IntTensor)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L745)

	Parâmetros:

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

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

	timesteps (`torch.IntTensor`) : Os passos de tempo para o cálculo da velocidade.

	Retorna: `torch.Tensor`

	A velocidade calculada.

	Calcule a previsão de velocidade a partir da amostra e do ruído de acordo com a fórmula de velocidade.

	#### index_for_timestep[[diffusers.TCDScheduler.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_tcd.py#L263)

	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.

	#### previous_timestep[[diffusers.TCDScheduler.previous_timestep]]

	```python
	previous_timestep(timestep: int)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L790)

	Parâmetros:

	timestep (`int`) : O timestep atual.

	Retorna: `int` ou `torch.Tensor`

	O passo de tempo anterior.

	Calcule o passo de tempo anterior na cadeia de difusão.

	#### scale_model_input[[diffusers.TCDScheduler.scale_model_input]]

	```python
	scale_model_input(sample: Tensor, timestep: typing.Union[int, torch.Tensor, NoneType] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L342)

	Parâmetros:

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

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

	Retorna: `torch.Tensor`

	Uma amostra de entrada escalada.

	Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual.

	#### set_begin_index[[diffusers.TCDScheduler.set_begin_index]]

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

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L332)

	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.TCDScheduler.set_timesteps]]

	```python
	set_timesteps(num_inference_steps: int \| None = None, device: typing.Union[str, torch.device, NoneType] = None, original_inference_steps: int \| None = None, timesteps: list[int] \| None = None, strength: float = 1.0)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L432)

	Parâmetros:

	num_inference_steps (`int`, opcional) : O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado. Se usado, `timesteps` deve ser `None`.

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

	original_inference_steps (`int`, opcional) : O número original de etapas de inferência, que será usado para gerar um cronograma de timesteps linearmente espaçados (que é diferente da implementação padrão do `diffusers`). Em seguida, tomaremos `num_inference_steps` timesteps desse cronograma, espaçados uniformemente em termos de índices, e usaremos isso como nosso cronograma final de timesteps. Se não for definido, isso será padrão para o atributo `original_inference_steps`.

	timesteps (`list[int]`, opcional) : Passos de tempo personalizados usados para suportar espaçamento arbitrário entre os passos de tempo. Se `None`, a estratégia padrão de espaçamento, com espaçamento igual entre os passos de tempo no agendamento de passos de tempo de treinamento/destilação, é usada. Se `timesteps` for passado, `num_inference_steps` deve ser `None`.

	strength (`float`, padrão `1.0`) : Usado para determinar o número de timesteps usados para inferência ao usar img2img, inpaint, etc.

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

	#### etapa[[diffusers.TCDScheduler.step]]

	```python
	step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, eta: float = 0.3, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L594)

	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.

	eta (`float`, padrão `0.3`) : Um parâmetro estocástico (referido como `gamma` no artigo) usado para controlar a estocasticidade em cada etapa. Quando eta = 0, representa amostragem determinística, enquanto eta = 1 indica amostragem totalmente estocástica.

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

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

	Retorna: [TCDSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/tcd#diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput) ou `tuple[torch.Tensor, torch.Tensor]`

	If return_dict is `True`, [TCDSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/tcd#diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput) is returned, otherwise a tuple is returned containing the previous sample and the predicted noised sample.

	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).

	## TCDSchedulerOutput[[diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput]]

	#### diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput[[diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput]]

	```python
	diffusers.schedulers.scheduling_tcd.TCDSchedulerOutput(prev_sample: Tensor, pred_noised_sample: typing.Optional[torch.Tensor] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_tcd.py#L35)

	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_noised_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens, opcional) : A amostra com ruído previsto `(x_{s})` com base na saída do modelo do timestep atual.

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