Buckets:
| # SequentialPipelineBlocks | |
| [SequentialPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) são um tipo de bloco múltiplo que compõe outros [ModularPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) em sequência. Os dados fluem linearmente de um bloco para o próximo usando `inputs` e `intermediate_outputs`. Cada bloco em [SequentialPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) geralmente representa uma etapa no pipeline, e, ao combiná-los, você constrói gradualmente um pipeline. | |
| Este guia mostra como conectar dois blocos em um [SequentialPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). | |
| Crie dois [ModularPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks). O primeiro bloco, `InputBlock`, produz um valor de `batch_size` e o segundo bloco, `ImageEncoderBlock`, usa `batch_size` como `inputs`. | |
| ```py | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class InputBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="prompt", type_hint=list, description="list of text prompts"), | |
| InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="batch_size", description="calculated batch size"), | |
| ] | |
| @property | |
| def description(self): | |
| return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument." | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| batch_size = len(block_state.prompt) | |
| block_state.batch_size = batch_size * block_state.num_images_per_prompt | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| ```py | |
| import torch | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class ImageEncoderBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"), | |
| InputParam(name="batch_size", type_hint=int), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="image_latents", description="latents representing the image"), | |
| ] | |
| @property | |
| def description(self): | |
| return "Encode raw image into its latent presentation" | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| # Simulate processing the image | |
| # This will change the state of the image from a PIL image to a tensor for all blocks | |
| block_state.image = torch.randn(1, 3, 512, 512) | |
| block_state.batch_size = block_state.batch_size * 2 | |
| block_state.image_latents = torch.randn(1, 4, 64, 64) | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| Conecte os dois blocos definindo um [SequentialPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). Liste as instâncias dos blocos em `block_classes` e seus nomes correspondentes em `block_names`. Os blocos são executados na ordem em que aparecem em `block_classes`, e os dados fluem de um bloco para o próximo por meio de [PipelineState](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState). | |
| ```py | |
| class ImageProcessingStep(SequentialPipelineBlocks): | |
| """ | |
| # auto_docstring | |
| """ | |
| model_name = "my_model" | |
| block_classes = [InputBlock(), ImageEncoderBlock()] | |
| block_names = ["input", "image_encoder"] | |
| @property | |
| def description(self): | |
| return ( | |
| "Process text prompts and images for the pipeline. It:\n" | |
| " - Determines the batch size from the prompts.\n" | |
| " - Encodes the image into latent space." | |
| ) | |
| ``` | |
| Ao criar um [SequentialPipelineBlocks](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks), propriedades como `inputs`, `intermediate_outputs` e `expected_components` são agregadas automaticamente dos sub-blocos, portanto não é necessário defini-las novamente. | |
| Existem algumas propriedades que você deve definir: | |
| - `description`: Recomendamos adicionar uma descrição para o bloco montado para explicar o que a etapa combinada faz. | |
| - `model_name`: Isso é derivado automaticamente dos sub-blocos, mas nem sempre está correto, então você pode precisar sobrescrevê-lo. | |
| - `outputs`: Por padrão, isso é o mesmo que `intermediate_outputs`, mas você pode configurá-lo manualmente para controlar quais valores aparecem no documento. Isso é útil para mostrar apenas as saídas finais, em vez de todos os valores intermediários. | |
| Essas propriedades, juntamente com os `inputs`, `intermediate_outputs` e `expected_components` agregados, são usadas para gerar automaticamente a propriedade `doc`. | |
| Imprima o bloco `ImageProcessingStep` para inspecionar seus sub-blocos e use `doc` para um resumo completo das entradas, saídas e componentes do bloco. | |
| ```py | |
| blocks = ImageProcessingStep() | |
| print(blocks) | |
| print(blocks.doc) | |
| ``` | |
Xet Storage Details
- Size:
- 5.58 kB
- Xet hash:
- 94fc2fb0c773b20784a43c14ef6b6cc624dc6f90424968292276848efbef2326
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.