Buckets:
| # ConsistencyDecoderScheduler | |
| Этот планировщик является частью `ConsistencyDecoderPipeline` и был представлен в [DALL-E 3](https://openai.com/dall-e-3). | |
| Исходный код можно найти в [openai/consistency_models](https://github.com/openai/consistency_models). | |
| ## ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| #### diffusers.schedulers.ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| ```python | |
| diffusers.schedulers.ConsistencyDecoderScheduler(num_train_timesteps: int = 1024, sigma_data: float = 0.5) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **Параметры:** | |
| num_train_timesteps (`int`, *необязательный*, по умолчанию `1024`) : Количество шагов диффузии для обучения модели. | |
| sigma_data (`float`, *необязательный*, по умолчанию `0.5`) : Стандартное отклонение распределения данных. Используется для вычисления коэффициентов масштабирования пропуска и вывода. | |
| Планировщик для согласованного декодера, используемого в конвейерах Stable Diffusion. | |
| Этот планировщик реализует двухшаговый процесс денуазинга с использованием моделей согласованности для декодирования латентных представлений в изображения. | |
| Эта модель наследуется от [SchedulerMixin](/docs/diffusers/main/ru/api/schedulers/overview#diffusers.SchedulerMixin) и [ConfigMixin](/docs/diffusers/main/ru/api/configuration#diffusers.ConfigMixin). Общие методы, которые библиотека реализует для всех планировщиков, такие как загрузка и сохранение, описаны в документации суперкласса. | |
| #### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **Параметры:** | |
| sample (`torch.Tensor`) : Входной образец. | |
| timestep (`int`, *необязательный*) : Текущий шаг в цепочке диффузии. | |
| **Возвращает:** `torch.Tensor` | |
| Масштабированный входной образец. | |
| Обеспечивает совместимость с планировщиками, которым необходимо масштабировать входную модель денуазинга в зависимости от текущего шага. | |
| #### шаг[[diffusers.schedulers.ConsistencyDecoderScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **Параметры:** | |
| model_output (`torch.Tensor`) : Прямой вывод из обученной диффузионной модели. | |
| timestep (`float` или `torch.Tensor`) : Текущий шаг (timestep) в цепочке диффузии. | |
| sample (`torch.Tensor`) : Текущая инстанция сэмпла, созданная процессом диффузии. | |
| generator (`torch.Generator`, *необязательный*) : Генератор случайных чисел для воспроизводимости. | |
| return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `ConsistencyDecoderSchedulerOutput` или `tuple`. | |
| **Возвращает:** `ConsistencyDecoderSchedulerOutput` или `tuple` | |
| Если `return_dict` равно `True`, возвращается `ConsistencyDecoderSchedulerOutput`, иначе возвращается кортеж, первым элементом которого является тензор выборки. | |
| Предскажите образец из предыдущего шага времени, обращая SDE. Эта функция распространяет процесс диффузии от выходов обученной модели (чаще всего — предсказанного шума). | |
Xet Storage Details
- Size:
- 4.82 kB
- Xet hash:
- 2ac91a965e5241a943313c7eaf96fc985104f3c7b7b3cc21fccb75a3a2d62caf
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.