Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ru /api /schedulers /euler.md

mishig

7 days ago

preview code

download

raw

19.7 kB

# EulerDiscreteScheduler

Планировщик Эйлера (алгоритм 2) описан в статье [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) авторов Karras et al. Это быстрый планировщик, который часто позволяет получать качественные результаты за 20–30 шагов. Планировщик основан на исходной реализации [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51), созданной [Katherine Crowson](https://github.com/crowsonkb/).

## EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

#### diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

```python
diffusers.EulerDiscreteScheduler(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, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool | None = False, use_exponential_sigmas: bool | None = False, use_beta_sigmas: bool | None = False, sigma_min: float | None = None, sigma_max: float | None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L143)

**Параметры:**

num_train_timesteps (`int`, по умолчанию 1000) : Количество шагов диффузии для обучения модели.

beta_start (`float`, по умолчанию 0.0001) : начальное значение `beta` для инференса.
beta_end (`float`, по умолчанию 0.02) : Итоговое значение `beta`.

beta_schedule (`Literal["linear", "scaled_linear", "squaredcos_cap_v2"]`, по умолчанию `"linear"`) : Расписание бета, отображение диапазона бета в последовательность значений бета для шагов модели. Выберите одно из значений: `"linear"`, `"scaled_linear"` или `"squaredcos_cap_v2"`.
trained_betas (`np.ndarray`, *необязательный*) : Передайте массив бета непосредственно в конструктор, чтобы обойти `beta_start` и `beta_end`.

prediction_type (`Literal["epsilon", "sample", "v_prediction"]`, defaults to `"epsilon"`, *optional*) : 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).

interpolation_type (`Literal["linear", "log_linear"]`, по умолчанию `"linear"`, *необязательный*) : Тип интерполяции для вычисления промежуточных сигм на шагах денойзинга планировщика. Должно быть одним из `"linear"` или `"log_linear"`.
use_karras_sigmas (`bool`, *необязательный*, по умолчанию `False`) : Использовать ли сигмы Карраса для размеров шагов в расписании шума во время процесса выборки. Если `True`, сигмы определяются согласно последовательности уровней шума {σi}.
use_exponential_sigmas (`bool`, *необязательный*, по умолчанию `False`) : Использовать ли экспоненциальные сигмы для размеров шагов в расписании шума во время процесса выборки.
use_beta_sigmas (`bool`, *optional*, defaults to `False`) : Whether to use beta sigmas for step sizes in the noise schedule during the sampling process. Refer to [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) for more information.
sigma_min (`float`, *optional*) : Минимальное значение сигмы для расписания шума. Если не указано, по умолчанию используется последняя сигма в расписании.

sigma_max (`float`, *optional*) : Максимальное значение сигмы для расписания шума. Если не указано, по умолчанию используется первая сигма в расписании.
timestep_spacing (`Literal["linspace", "leading", "trailing"]`, defaults to `"linspace"`) : The way the timesteps should be scaled. Refer to Table 2 of the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) for more information.

timestep_type (`Literal["discrete", "continuous"]`, по умолчанию `"discrete"`) : Тип используемых шагов времени. Может быть `"discrete"` или `"continuous"`.
steps_offset (`int`, по умолчанию 0) : Смещение, добавляемое к шагам инференса, как требуется некоторыми семействами моделей.

rescale_betas_zero_snr (`bool`, по умолчанию `False`) : Нужно ли перемасштабировать беты для нулевого конечного SNR. Это позволяет модели генерировать очень яркие и тёмные образцы, а не ограничиваться образцами со средней яркостью. Непосредственно связано с [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).
final_sigmas_type (`Literal["zero", "sigma_min"]`, по умолчанию `"zero"`) : конечное значение `sigma` для расписания шума в процессе выборки. Если указано `"sigma_min"`, конечное sigma совпадает с последним sigma в расписании обучения. Если указано `"zero"`, конечное sigma устанавливается в 0.
Планировщик Эйлера.
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.
#### add_noise[[diffusers.EulerDiscreteScheduler.add_noise]]
```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L802)
**Параметры:**
original_samples (`torch.Tensor`) : исходные образцы, к которым будет добавлен шум.

noise (`torch.Tensor`) : тензор шума, который нужно добавить к исходным образцам.

timesteps (`torch.Tensor`) : Шаги, на которых добавляется шум, определяющие уровень шума по расписанию.

**Возвращает:** `torch.Tensor`

Шумовые образцы с добавленным шумом, масштабированным в соответствии с расписанием шагов времени.

Добавьте шум к исходным образцам в соответствии с расписанием шума на указанных временных шагах.

#### get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

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

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L850)

**Параметры:**

sample (`torch.Tensor`) : Входной образец, для которого вычисляется скорость.

noise (`torch.Tensor`) : тензор шума, соответствующий образцу.

timesteps (`torch.Tensor`) : Шаги, на которых вычисляется скорость.

**Возвращает:** `torch.Tensor`

Предсказание скорости, вычисляемое как `sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample`.

Вычислите предсказание скорости для данного примера и шума на указанных временных шагах.

Этот метод реализует предсказание скорости, используемое в моделях v-prediction, которые предсказывают линейную комбинацию выборки и шума.

#### index_for_timestep[[diffusers.EulerDiscreteScheduler.index_for_timestep]]

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

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L640)

**Параметры:**

timestep (`float` или `torch.Tensor`) : значение шага времени, которое нужно найти в расписании.

schedule_timesteps (`torch.Tensor`, *необязательный*) : Расписание временных шагов, в котором выполняется поиск. Если `None`, используется `self.timesteps`.
**Возвращает:** `int`
Индекс шага времени в расписании. Для самого первого шага возвращает второй индекс, если существует несколько совпадений, чтобы избежать пропуска сигмы при начале с середины расписания (например, для image-to-image).
Найдите индекс заданного шага времени в расписании шагов времени.
#### scale_model_input[[diffusers.EulerDiscreteScheduler.scale_model_input]]
```python
scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L326)
**Параметры:**
sample (`torch.Tensor`) : входной образец, подлежащий масштабированию.
timestep (`float` или `torch.Tensor`) : Текущий шаг (timestep) в цепочке диффузии.
**Возвращает:** `torch.Tensor`
Масштабированный входной образец, делённый на `(sigma**2 + 1) ** 0.5`.
Обеспечивает совместимость с планировщиками, которым необходимо масштабировать входную данные модели денуазинга в зависимости от текущего шага. Масштабирует входные данные модели денуазинга с помощью `(sigma**2 + 1) ** 0.5` для соответствия алгоритму Euler.
#### set_begin_index[[diffusers.EulerDiscreteScheduler.set_begin_index]]
```python
set_begin_index(begin_index: int = 0)
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L316)
**Параметры:**
begin_index (`int`, по умолчанию `0`) : Начальный индекс для планировщика.
Устанавливает начальный индекс для планировщика. Эта функция должна выполняться из конвейера перед инференсом.
#### set_timesteps[[diffusers.EulerDiscreteScheduler.set_timesteps]]
```python
set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, timesteps: list[int] | None = None, sigmas: list[float] | None = None)
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L350)
**Параметры:**
num_inference_steps (`int`, *optional*) : Количество шагов диффузии, используемое при генерации образцов с помощью предобученной модели. Если `None`, необходимо указать `timesteps` или `sigmas`.
device (`str` или `torch.device`, *необязательный*) : Устройство, на которое следует переместить шаги. Если `None`, шаги не перемещаются.
timesteps (`list[int]`, *optional*) : Пользовательские шаги (timesteps) для поддержки произвольного расписания. Если `None`, шаги будут сгенерированы на основе атрибута `timestep_spacing`. Если передан `timesteps`, `num_inference_steps` и `sigmas` должны быть `None`, а атрибут `timestep_spacing` будет проигнорирован.
sigmas (`list[float]`, *optional*) : Пользовательские сигмы для поддержки произвольного расписания временных шагов. Если `None`, временные шаги и сигмы будут сгенерированы на основе соответствующих атрибутов планировщика. Если переданы `sigmas`, `num_inference_steps` и `timesteps` должны быть `None`, а временные шаги будут сгенерированы на основе пользовательского расписания сигм.
Устанавливает дискретные временные шаги, используемые для цепочки диффузии (выполняется перед инференсом).
#### шаг[[diffusers.EulerDiscreteScheduler.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)
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L685)
**Параметры:**
model_output (`torch.Tensor`) : Прямой вывод из обученной диффузионной модели.

timestep (`float` или `torch.Tensor`) : текущий дискретный шаг времени в цепочке диффузии.

sample (`torch.Tensor`) : Текущая инстанция сэмпла, созданная процессом диффузии.

s_churn (`float`, *необязательный*, по умолчанию `0.0`) : Параметр стохастичности, управляющий количеством шума, добавляемого во время выборки. Более высокие значения увеличивают случайность.
s_tmin (`float`, *optional*, по умолчанию `0.0`) : Минимальный порог шага для применения стохастичности. Шум добавляется только к шагам, превышающим это значение.

s_tmax (`float`, *optional*, по умолчанию `inf`) : Максимальный порог шага для применения стохастичности. Шум добавляется только к шагам, значения которых меньше этого порога.
s_noise (`float`, *необязательный*, по умолчанию `1.0`) : Коэффициент масштабирования шума, добавляемого к образцу.

generator (`torch.Generator`, *необязательный*) : генератор случайных чисел для воспроизводимой выборки.

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли [EulerDiscreteSchedulerOutput](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) или кортеж.
**Возвращает:** [EulerDiscreteSchedulerOutput](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) или `tuple`
Если `return_dict` равно `True`, возвращается [EulerDiscreteSchedulerOutput](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput), иначе возвращается кортеж, где первый элемент — это тензор выборки, а второй — предсказанная исходная выборка.

Предскажите образец из предыдущего шага времени, обращая SDE. Эта функция распространяет процесс диффузии от выходов обученной модели (чаще всего — предсказанного шума).

## EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

#### diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

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

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L36)

**Параметры:**

prev_sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` для изображений) : Вычисленная выборка `(x_{t-1})` для предыдущего шага. `prev_sample` следует использовать как следующий вход модели в цикле шумоподавления.
pred_original_sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` для изображений) : Предсказанный денойзированный образец `(x_{0})` на основе вывода модели из текущего шага. `pred_original_sample` можно использовать для предпросмотра прогресса или для guidance.

Класс результата для вывода функции `step` планировщика.

Xet Storage Details

Size:: 19.7 kB
Xet hash:: 542475e5f51c15c07aefcc1917b127bced9e44214bb0a2090ef1efa2121efa1b

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

	# EulerDiscreteScheduler

	Планировщик Эйлера (алгоритм 2) описан в статье [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) авторов Karras et al. Это быстрый планировщик, который часто позволяет получать качественные результаты за 20–30 шагов. Планировщик основан на исходной реализации [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51), созданной [Katherine Crowson](https://github.com/crowsonkb/).

	## EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

	#### diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

	```python
	diffusers.EulerDiscreteScheduler(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, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool \| None = False, use_exponential_sigmas: bool \| None = False, use_beta_sigmas: bool \| None = False, sigma_min: float \| None = None, sigma_max: float \| None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
	```

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L143)

	Параметры:

	num_train_timesteps (`int`, по умолчанию 1000) : Количество шагов диффузии для обучения модели.

	beta_start (`float`, по умолчанию 0.0001) : начальное значение `beta` для инференса.

	beta_end (`float`, по умолчанию 0.02) : Итоговое значение `beta`.

	beta_schedule (`Literal["linear", "scaled_linear", "squaredcos_cap_v2"]`, по умолчанию `"linear"`) : Расписание бета, отображение диапазона бета в последовательность значений бета для шагов модели. Выберите одно из значений: `"linear"`, `"scaled_linear"` или `"squaredcos_cap_v2"`.

	trained_betas (`np.ndarray`, необязательный) : Передайте массив бета непосредственно в конструктор, чтобы обойти `beta_start` и `beta_end`.

	prediction_type (`Literal["epsilon", "sample", "v_prediction"]`, defaults to `"epsilon"`, optional) : 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).

	interpolation_type (`Literal["linear", "log_linear"]`, по умолчанию `"linear"`, необязательный) : Тип интерполяции для вычисления промежуточных сигм на шагах денойзинга планировщика. Должно быть одним из `"linear"` или `"log_linear"`.

	use_karras_sigmas (`bool`, необязательный, по умолчанию `False`) : Использовать ли сигмы Карраса для размеров шагов в расписании шума во время процесса выборки. Если `True`, сигмы определяются согласно последовательности уровней шума {σi}.

	use_exponential_sigmas (`bool`, необязательный, по умолчанию `False`) : Использовать ли экспоненциальные сигмы для размеров шагов в расписании шума во время процесса выборки.

	use_beta_sigmas (`bool`, optional, defaults to `False`) : Whether to use beta sigmas for step sizes in the noise schedule during the sampling process. Refer to [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) for more information.

	sigma_min (`float`, optional) : Минимальное значение сигмы для расписания шума. Если не указано, по умолчанию используется последняя сигма в расписании.

	sigma_max (`float`, optional) : Максимальное значение сигмы для расписания шума. Если не указано, по умолчанию используется первая сигма в расписании.

	timestep_spacing (`Literal["linspace", "leading", "trailing"]`, defaults to `"linspace"`) : The way the timesteps should be scaled. Refer to Table 2 of the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) for more information.

	timestep_type (`Literal["discrete", "continuous"]`, по умолчанию `"discrete"`) : Тип используемых шагов времени. Может быть `"discrete"` или `"continuous"`.

	steps_offset (`int`, по умолчанию 0) : Смещение, добавляемое к шагам инференса, как требуется некоторыми семействами моделей.

	rescale_betas_zero_snr (`bool`, по умолчанию `False`) : Нужно ли перемасштабировать беты для нулевого конечного SNR. Это позволяет модели генерировать очень яркие и тёмные образцы, а не ограничиваться образцами со средней яркостью. Непосредственно связано с [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).

	final_sigmas_type (`Literal["zero", "sigma_min"]`, по умолчанию `"zero"`) : конечное значение `sigma` для расписания шума в процессе выборки. Если указано `"sigma_min"`, конечное sigma совпадает с последним sigma в расписании обучения. Если указано `"zero"`, конечное sigma устанавливается в 0.

	Планировщик Эйлера.

	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.

	#### add_noise[[diffusers.EulerDiscreteScheduler.add_noise]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L802)

	Параметры:

	original_samples (`torch.Tensor`) : исходные образцы, к которым будет добавлен шум.

	noise (`torch.Tensor`) : тензор шума, который нужно добавить к исходным образцам.

	timesteps (`torch.Tensor`) : Шаги, на которых добавляется шум, определяющие уровень шума по расписанию.

	Возвращает: `torch.Tensor`

	Шумовые образцы с добавленным шумом, масштабированным в соответствии с расписанием шагов времени.

	Добавьте шум к исходным образцам в соответствии с расписанием шума на указанных временных шагах.

	#### get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L850)

	Параметры:

	sample (`torch.Tensor`) : Входной образец, для которого вычисляется скорость.

	noise (`torch.Tensor`) : тензор шума, соответствующий образцу.

	timesteps (`torch.Tensor`) : Шаги, на которых вычисляется скорость.

	Возвращает: `torch.Tensor`

	Предсказание скорости, вычисляемое как `sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample`.

	Вычислите предсказание скорости для данного примера и шума на указанных временных шагах.

	Этот метод реализует предсказание скорости, используемое в моделях v-prediction, которые предсказывают линейную комбинацию выборки и шума.

	#### index_for_timestep[[diffusers.EulerDiscreteScheduler.index_for_timestep]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L640)

	Параметры:

	timestep (`float` или `torch.Tensor`) : значение шага времени, которое нужно найти в расписании.

	schedule_timesteps (`torch.Tensor`, необязательный) : Расписание временных шагов, в котором выполняется поиск. Если `None`, используется `self.timesteps`.

	Возвращает: `int`

	Индекс шага времени в расписании. Для самого первого шага возвращает второй индекс, если существует несколько совпадений, чтобы избежать пропуска сигмы при начале с середины расписания (например, для image-to-image).

	Найдите индекс заданного шага времени в расписании шагов времени.

	#### scale_model_input[[diffusers.EulerDiscreteScheduler.scale_model_input]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L326)

	Параметры:

	sample (`torch.Tensor`) : входной образец, подлежащий масштабированию.

	timestep (`float` или `torch.Tensor`) : Текущий шаг (timestep) в цепочке диффузии.

	Возвращает: `torch.Tensor`

	Масштабированный входной образец, делённый на `(sigma2 + 1) 0.5`.

	Обеспечивает совместимость с планировщиками, которым необходимо масштабировать входную данные модели денуазинга в зависимости от текущего шага. Масштабирует входные данные модели денуазинга с помощью `(sigma2 + 1) 0.5` для соответствия алгоритму Euler.

	#### set_begin_index[[diffusers.EulerDiscreteScheduler.set_begin_index]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L316)

	Параметры:

	begin_index (`int`, по умолчанию `0`) : Начальный индекс для планировщика.

	Устанавливает начальный индекс для планировщика. Эта функция должна выполняться из конвейера перед инференсом.

	#### set_timesteps[[diffusers.EulerDiscreteScheduler.set_timesteps]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L350)

	Параметры:

	num_inference_steps (`int`, optional) : Количество шагов диффузии, используемое при генерации образцов с помощью предобученной модели. Если `None`, необходимо указать `timesteps` или `sigmas`.

	device (`str` или `torch.device`, необязательный) : Устройство, на которое следует переместить шаги. Если `None`, шаги не перемещаются.

	timesteps (`list[int]`, optional) : Пользовательские шаги (timesteps) для поддержки произвольного расписания. Если `None`, шаги будут сгенерированы на основе атрибута `timestep_spacing`. Если передан `timesteps`, `num_inference_steps` и `sigmas` должны быть `None`, а атрибут `timestep_spacing` будет проигнорирован.

	sigmas (`list[float]`, optional) : Пользовательские сигмы для поддержки произвольного расписания временных шагов. Если `None`, временные шаги и сигмы будут сгенерированы на основе соответствующих атрибутов планировщика. Если переданы `sigmas`, `num_inference_steps` и `timesteps` должны быть `None`, а временные шаги будут сгенерированы на основе пользовательского расписания сигм.

	Устанавливает дискретные временные шаги, используемые для цепочки диффузии (выполняется перед инференсом).

	#### шаг[[diffusers.EulerDiscreteScheduler.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)
	```

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L685)

	Параметры:

	model_output (`torch.Tensor`) : Прямой вывод из обученной диффузионной модели.

	timestep (`float` или `torch.Tensor`) : текущий дискретный шаг времени в цепочке диффузии.

	sample (`torch.Tensor`) : Текущая инстанция сэмпла, созданная процессом диффузии.

	s_churn (`float`, необязательный, по умолчанию `0.0`) : Параметр стохастичности, управляющий количеством шума, добавляемого во время выборки. Более высокие значения увеличивают случайность.

	s_tmin (`float`, optional, по умолчанию `0.0`) : Минимальный порог шага для применения стохастичности. Шум добавляется только к шагам, превышающим это значение.

	s_tmax (`float`, optional, по умолчанию `inf`) : Максимальный порог шага для применения стохастичности. Шум добавляется только к шагам, значения которых меньше этого порога.

	s_noise (`float`, необязательный, по умолчанию `1.0`) : Коэффициент масштабирования шума, добавляемого к образцу.

	generator (`torch.Generator`, необязательный) : генератор случайных чисел для воспроизводимой выборки.

	return_dict (`bool`, необязательный, по умолчанию `True`) : Возвращать ли [EulerDiscreteSchedulerOutput](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) или кортеж.

	Возвращает: [EulerDiscreteSchedulerOutput](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) или `tuple`

	Если `return_dict` равно `True`, возвращается [EulerDiscreteSchedulerOutput](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput), иначе возвращается кортеж, где первый элемент — это тензор выборки, а второй — предсказанная исходная выборка.

	Предскажите образец из предыдущего шага времени, обращая SDE. Эта функция распространяет процесс диффузии от выходов обученной модели (чаще всего — предсказанного шума).

	## EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

	#### diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

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

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L36)

	Параметры:

	prev_sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` для изображений) : Вычисленная выборка `(x_{t-1})` для предыдущего шага. `prev_sample` следует использовать как следующий вход модели в цикле шумоподавления.

	pred_original_sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` для изображений) : Предсказанный денойзированный образец `(x_{0})` на основе вывода модели из текущего шага. `pred_original_sample` можно использовать для предпросмотра прогресса или для guidance.

	Класс результата для вывода функции `step` планировщика.