Buckets:
| # IPNDMScheduler | |
| `IPNDMScheduler` — это улучшенный псевдолинейный многошаговый планировщик четвёртого порядка. Исходная реализация доступна в [crowsonkb/v-diffusion-pytorch](https://github.com/crowsonkb/v-diffusion-pytorch/blob/987f8985e38208345c1959b0ea767a625831cc9b/diffusion/sampling.py#L296). | |
| ## IPNDMScheduler[[diffusers.IPNDMScheduler]] | |
| #### diffusers.IPNDMScheduler[[diffusers.IPNDMScheduler]] | |
| ```python | |
| diffusers.IPNDMScheduler(num_train_timesteps: int = 1000, trained_betas: numpy.ndarray | list[float] | None = None) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_ipndm.py#L24) | |
| **Параметры:** | |
| num_train_timesteps (`int`, по умолчанию 1000) : Количество шагов диффузии для обучения модели. | |
| trained_betas (`np.ndarray` или `List[float]`, *необязательно*) : Передайте массив бета напрямую в конструктор, чтобы обойти `beta_start` и `beta_end`. | |
| Псевдолинейный многошаговый планировщик улучшенного четвёртого порядка. | |
| 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. | |
| #### index_for_timestep[[diffusers.IPNDMScheduler.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_ipndm.py#L124) | |
| **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.IPNDMScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, *args, **kwargs) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_ipndm.py#L228) | |
| **Параметры:** | |
| sample (`torch.Tensor`) : Входной образец. | |
| **Возвращает:** `torch.Tensor` | |
| Масштабированный входной образец. | |
| Обеспечивает совместимость с планировщиками, которым необходимо масштабировать входную модель денуазинга в зависимости от текущего шага. | |
| #### set_begin_index[[diffusers.IPNDMScheduler.set_begin_index]] | |
| ```python | |
| set_begin_index(begin_index: int = 0) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_ipndm.py#L85) | |
| **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.IPNDMScheduler.set_timesteps]] | |
| ```python | |
| set_timesteps(num_inference_steps: int, device: typing.Union[str, torch.device, NoneType] = None) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_ipndm.py#L95) | |
| **Параметры:** | |
| num_inference_steps (`int`) : Количество шагов диффузии, используемое при генерации образцов с помощью предобученной модели. | |
| device (`str` или `torch.device`, *необязательный*) : Устройство, на которое следует переместить шаги. Если `None`, шаги не перемещаются. | |
| Устанавливает дискретные временные шаги, используемые для цепочки диффузии (выполняется перед инференсом). | |
| #### шаг[[diffusers.IPNDMScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, return_dict: bool = True) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_ipndm.py#L170) | |
| **Параметры:** | |
| model_output (`torch.Tensor`) : Прямой вывод из обученной диффузионной модели. | |
| timestep (`int` или `torch.Tensor`) : Текущий дискретный шаг времени в цепочке диффузии. | |
| sample (`torch.Tensor`) : Текущая инстанция сэмпла, созданная процессом диффузии. | |
| return_dict (`bool`) : Возвращать ли [SchedulerOutput](/docs/diffusers/main/ru/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) или кортеж. | |
| **Возвращает:** [SchedulerOutput](/docs/diffusers/main/ru/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) или `tuple` | |
| If return_dict is `True`, [SchedulerOutput](/docs/diffusers/main/ru/api/schedulers/ipndm#diffusers.schedulers.scheduling_utils.SchedulerOutput) is returned, otherwise a tuple is returned where the first element is the sample tensor. | |
| Предскажите образец из предыдущего шага времени, обращая SDE. Эта функция распространяет образец с помощью линейного многошагового метода. Она выполняет несколько проходов вперёд для приближённого вычисления решения. | |
| ## SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]] | |
| #### diffusers.schedulers.scheduling_utils.SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]] | |
| ```python | |
| diffusers.schedulers.scheduling_utils.SchedulerOutput(prev_sample: Tensor) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py#L66) | |
| **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. | |
| Базовый класс для результата функции `step` планировщика. | |
Xet Storage Details
- Size:
- 7.86 kB
- Xet hash:
- 459bdcd654faf6c9ec295514cfe918d4554d575f661205bb764f68d6698f267c
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.