diffusers/main/ru/api/schedulers/flow_map_euler_discrete.md

FlowMapEulerDiscreteScheduler

FlowMapEulerDiscreteScheduler — это сэмплер в стиле Эйлера, разработанный для дистиллированных диффузионных моделей flow-map. Модели flow-map обучаются переходам на произвольные интервалы $\mathbf{z}_t \to \mathbf{z}_r$, а не фиксированному отображению $\mathbf{z}_t \to \mathbf{z}_0$, как в моделях consistency. Обе точки шага задаются вызывающим кодом, что и обеспечивает сэмплирование с любым числом шагов: одна дистиллированная контрольная точка может быть оценена при 1, 2, 4, 8, 16... NFE без повторного обучения.

Планировщик был представлен в AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation и поставляется с интеграциями AnyFlowPipeline и AnyFlowFARPipeline, но не является специфичным для AnyFlow — его можно использовать с любым чекпоинтом, обученным с помощью дистилляции flow-map.

FlowMapEulerDiscreteScheduler[[diffusers.FlowMapEulerDiscreteScheduler]]

diffusers.FlowMapEulerDiscreteScheduler[[diffusers.FlowMapEulerDiscreteScheduler]]

diffusers.FlowMapEulerDiscreteScheduler(num_train_timesteps: int = 1000, shift: float = 1.0)

Источник

Параметры:

num_train_timesteps (int, по умолчанию 1000) : Количество шагов диффузии, используемых для обучения базовой модели flow-map.

shift (float, по умолчанию 1.0) : Множитель сдвига временных шагов, применяемый к расписанию вывода. shift=1.0 — это тождественное преобразование; значения больше 1.0 смещают расписание в сторону более сильного шумоподавления на поздних шагах (например, shift=5 соответствует значению по умолчанию для Wan2.1).

Сэмплер в стиле Эйлера для дистиллированных диффузионных моделей с картой потока.

Модели flow-map обучаются переходам на произвольные интервалы $z_t\to z_{r}z\_t\; \backslash to\; z\_r$, а не фиксированному отображению $z_t\to z_{0}z\_t\; \backslash to\; z\_0$ моделей consistency, поэтому одну дистиллированную контрольную точку можно оценивать при 1, 2, 4, 8, ... NFE без повторного обучения. Метод step перемещает образец из timestep в r_timestep вдоль предсказанной скорости.

Представлено в AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation от Yuchao Gu, Guian Fang и др.

Этот планировщик наследуется от [SchedulerMixin] и [ConfigMixin]. Общие методы, реализованные для всех планировщиков (загрузка, сохранение и т. д.), описаны в документации суперкласса.

apply_shift[[diffusers.FlowMapEulerDiscreteScheduler.apply_shift]]

apply_shift(sigmas: Tensor)

Источник

Примените настроенное преобразование сдвига к тензору сигмы.

index_for_timestep[[diffusers.FlowMapEulerDiscreteScheduler.index_for_timestep]]

index_for_timestep(timestep: typing.Union[float, torch.FloatTensor])

Источник

Возвращает индекс timestep в текущем расписании или None, если шаг не входит в расписание.

Поиск выполняется по self.timesteps с небольшим допуском для fp. Используется для восстановления соответствующего sigma без предположения о линейной связи timesteps = sigmas * num_train_timesteps — таким образом, пользовательское расписание (например, нелинейный сдвиг, вручную заданные timesteps) также корректно разрешается.

scale_model_input[[diffusers.FlowMapEulerDiscreteScheduler.scale_model_input]]

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

Источник

Масштабирование тождественного преобразования без действия. Предоставлено для обеспечения совместимости API с другими планировщиками Diffusers.

scale_noise[[diffusers.FlowMapEulerDiscreteScheduler.scale_noise]]

scale_noise(sample: FloatTensor, timestep: typing.Union[float, torch.FloatTensor], noise: typing.Optional[torch.FloatTensor] = None)

Источник

Линейно интерполируйте sample в сторону noise в соответствии с нормализованным timestep.

set_begin_index[[diffusers.FlowMapEulerDiscreteScheduler.set_begin_index]]

set_begin_index(begin_index: int = 0)

Источник

Устанавливает начальный индекс для планировщика. Конвейеры, которые начинают работу с середины расписания (например, image-to-image), вызывают этот метод между set_timesteps и первым step, чтобы зафиксировать точку начала развертывания.

set_timesteps[[diffusers.FlowMapEulerDiscreteScheduler.set_timesteps]]

set_timesteps(num_inference_steps: typing.Optional[int] = None, device: typing.Union[str, torch.device] = None, sigmas: typing.Optional[typing.List[float]] = None, timesteps: typing.Optional[typing.List[float]] = None)

Источник

Параметры:

num_inference_steps (int, optional) : Количество шагов инференса. Если None, необходимо передать sigmas или timesteps.

device (str или torch.device, optional) : Целевое устройство для self.sigmas / self.timesteps.

sigmas (List[float], optional) : Пользовательское расписание сигм длиной num_inference_steps. Конечное значение сигмы 0 добавляется автоматически. На него накладывается настроенное значение shift.

timesteps (List[float], optional) : Пользовательское расписание временных шагов длины num_inference_steps в тех же единицах, что и self.timesteps (т. е. масштабированное на num_train_timesteps). Внутренне преобразуется в сигмы. Если переданы и sigmas, и timesteps, их длины должны совпадать.

Сформируйте расписание шагов времени для инференса.

Внутренне отслеживает self.sigmas длины num_inference_steps + 1 (по умолчанию применяется настроенный сдвиг к линейной последовательности от 1.0 до 0.0); self.timesteps предоставляет первые num_inference_steps сигм, масштабированные на num_train_timesteps — то есть один временной шаг на каждый шаг инференса, что соответствует FlowMatchEulerDiscreteScheduler. Последняя сигма (0) является неявной правой границей последнего шага и добавляется автоматически, если sigmas / timesteps заданы пользователем.

шаг[[diffusers.FlowMapEulerDiscreteScheduler.step]]

step(model_output: FloatTensor, timestep: typing.Union[float, torch.FloatTensor], sample: FloatTensor, r_timestep: typing.Union[float, torch.FloatTensor, NoneType] = None, return_dict: bool = True)

Источник

Параметры:

model_output (torch.Tensor) : Прямой вывод модели flow-map (предсказанная средняя скорость).

timestep (float или torch.Tensor) : Исходный шаг времени t в тех же единицах, что и self.timesteps.

sample (torch.Tensor) : Текущая выборка $z_{t}z\_t$.

r_timestep (float или torch.Tensor, необязательный) : Целевой шаг r. По умолчанию используется следующий шаг в расписании, если передано None; для any-step sampling передайте явное значение. r_timestep == timestep не выполняет никаких действий.

return_dict (bool, по умолчанию True) : Возвращать ли [FlowMapEulerDiscreteSchedulerOutput] (по умолчанию) или обычный кортеж.

Возвращает: [FlowMapEulerDiscreteSchedulerOutput] или tuple

При return_dict=True возвращает [FlowMapEulerDiscreteSchedulerOutput], у которого prev_sample равно $z_{r}z\_r$. В противном случае возвращает 1-кортеж (prev_sample,).

Выполните шаг sample от timestep до r_timestep с использованием скорости, предсказанной моделью.

В отличие от стандартного планировщика Эйлера, обе границы интервала могут быть заданы вызывающей стороной, что позволяет выполнять сэмплирование за любое число шагов: один вызов модели может сделать шаг от t к любой выбранной цели r (включая r=0 для генерации за один шаг). Если r_timestep не указан, по умолчанию используется следующий шаг расписания (соответствует семантике FlowMatchEulerDiscreteScheduler).

Внутренне сигмы источника и цели восстанавливаются путём индексирования self.sigmas через index_for_timestep, а не делением входных временных шагов на num_train_timesteps, поэтому любая раскладка, в которой связь между временным шагом и сигмой нелинейна (например, с пользовательским сдвигом), остаётся корректной. Для r_timestep вне раскладки планировщик использует запасной вариант r_timestep / num_train_timesteps, что позволяет поддерживать выборку на произвольных шагах вне раскладки.