Buckets:
| # ConsistencyDecoderScheduler | |
| Bu zamanlayıcı, `ConsistencyDecoderPipeline`'in bir parçasıdır ve [DALL-E 3](https://openai.com/dall-e-3)'te tanıtılmıştır. | |
| Orijinal kod tabanı [openai/consistency_models](https://github.com/openai/consistency_models) adresinde bulunabilir. | |
| ## ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| #### diffusers.schedulers.ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]] | |
| ```python | |
| diffusers.schedulers.ConsistencyDecoderScheduler(num_train_timesteps: int = 1024, sigma_data: float = 0.5) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80) | |
| **Parametreler:** | |
| num_train_timesteps (`int`, *isteğe bağlı*, varsayılan `1024`) : Modelin eğitileceği difüzyon adım sayısı. | |
| sigma_data (`float`, *isteğe bağlı*, varsayılan `0.5`) : Veri dağılımının standart sapması. Atla ve çıktı ölçekleme katsayılarını hesaplamak için kullanılır. | |
| Stable Diffusion hatlarında kullanılan tutarlılık çözücü için bir zamanlayıcı. | |
| Bu zamanlayıcı, gizli temsilleri görüntülere çözmek için tutarlılık modelleri kullanan iki aşamalı gürültü azaltma süreci uygular. | |
| Bu model [SchedulerMixin](/docs/diffusers/main/tr/api/schedulers/overview#diffusers.SchedulerMixin) ve [ConfigMixin](/docs/diffusers/main/tr/api/configuration#diffusers.ConfigMixin) sınıflarından devralır. Kütüphanenin tüm zamanlayıcılar için yükleme ve kaydetme gibi genel yöntemleri uyguladığı üst sınıf belgelendirmesini kontrol edin. | |
| #### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]] | |
| ```python | |
| scale_model_input(sample: Tensor, timestep: int | None = None) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148) | |
| **Parametreler:** | |
| sample (`torch.Tensor`) : Girdi örneği. | |
| timestep (`int`, *isteğe bağlı*) : Difüzyon zincirindeki mevcut zaman adımı. | |
| **Dönüş:** `torch.Tensor` | |
| Ölçeklendirilmiş bir girdi örneği. | |
| Gürültüden arındırma modelinin girdisinin mevcut zaman adımına bağlı olarak ölçeklenmesi gereken zamanlayıcılarla değiştirilebilirliği sağlar. | |
| #### adım[[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) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165) | |
| **Parametreler:** | |
| model_output (`torch.Tensor`) : Öğrenen difüzyon modelinden gelen doğrudan çıktı. | |
| timestep (`float` veya `torch.Tensor`) : Difüzyon zincirindeki mevcut zaman adımı. | |
| sample (`torch.Tensor`) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği. | |
| generator (`torch.Generator`, *isteğe bağlı*) : Yeniden üretilebilirlik için rastgele sayı üreteci. | |
| return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : `ConsistencyDecoderSchedulerOutput` veya `tuple` döndürülecek mi? | |
| **Dönüş:** `ConsistencyDecoderSchedulerOutput` veya `tuple` | |
| `return_dict` `True` ise `ConsistencyDecoderSchedulerOutput` döndürülür, aksi takdirde bir tuple döndürülür ve bu tuple'ın ilk öğesi örnek tensörüdür. | |
| Önceki zaman adımındaki örneği SDE'yi tersine çevirerek tahmin edin. Bu işlev, öğrenilen model çıktılarını (en sık tahmin edilen gürültüyü) kullanarak difüzyon sürecini ilerletir. | |
Xet Storage Details
- Size:
- 3.66 kB
- Xet hash:
- 19f7dc822692a21ac7afd9b46e1255c3bca9e88ef1f9ecdca3290407377445f3
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.