Buckets:
| # Latent Consistency Model Çok Adımlı Zamanlayıcı | |
| ## Genel Bakış | |
| Simian Luo, Yiqin Tan, Longbo Huang, Jian Li ve Hang Zhao'nun [Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference](https://huggingface.co/papers/2310.04378) makalesinde latent tutarlılık modelleriyle birlikte tanıtılan çok adımlı ve tek adımlı zamanlayıcı (Algoritma 3). Bu zamanlayıcı, [LatentConsistencyModelPipeline](/docs/diffusers/main/tr/api/pipelines/latent_consistency_models#diffusers.LatentConsistencyModelPipeline) üzerinden 1-8 adımda iyi örnekler üretebilmelidir. | |
| ## LCMScheduler[[diffusers.LCMScheduler]] | |
| #### diffusers.LCMScheduler[[diffusers.LCMScheduler]] | |
| ```python | |
| diffusers.LCMScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.00085, beta_end: float = 0.012, beta_schedule: str = 'scaled_linear', trained_betas: numpy.ndarray | list[float] | None = None, original_inference_steps: int = 50, clip_sample: bool = False, clip_sample_range: float = 1.0, set_alpha_to_one: bool = True, steps_offset: int = 0, prediction_type: str = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, timestep_spacing: str = 'leading', timestep_scaling: float = 10.0, rescale_betas_zero_snr: bool = False) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L142) | |
| **Parametreler:** | |
| num_train_timesteps (`int`, varsayılan `1000`) : Modelin eğitileceği difüzyon adım sayısı. | |
| beta_start (`float`, varsayılan `0.00085`) : Çıkarımın başlangıç `beta` değeri. | |
| beta_end (`float`, varsayılan `0.012`) : Son `beta` değeri. | |
| beta_schedule (`str`, varsayılan `"scaled_linear"`) : Beta zamanlaması, modelin adım atması için beta aralığını beta dizisine eşleyen bir haritalamadır. `linear`, `scaled_linear` veya `squaredcos_cap_v2` seçeneklerinden birini seçin. | |
| trained_betas (`np.ndarray` veya `list[float]`, *isteğe bağlı*) : `beta_start` ve `beta_end` değerlerini atlamak için beta dizisini doğrudan yapılandırıcıya iletin. | |
| original_inference_steps (`int`, varsayılan `50`) : Doğrusal aralıklı bir zaman adımı zaman çizelgesi oluşturmak için kullanılan varsayılan çıkarım adımı sayısıdır. Bu çizelgeden nihai zaman adımı zaman çizelgesini oluşturmak için `num_inference_steps` eşit aralıklı zaman adımı alınacaktır. | |
| clip_sample (`bool`, varsayılan `False`) : Sayısal kararlılık için tahmini örneği kırpın. | |
| clip_sample_range (`float`, varsayılan `1.0`) : Örnek kırpma için maksimum büyüklük. Yalnızca `clip_sample=True` olduğunda geçerlidir. | |
| set_alpha_to_one (`bool`, varsayılan `True`) : Her difüzyon adımı, o adımdaki ve bir önceki adımdaki alfa çarpım değerini kullanır. Son adım için bir önceki alfa yoktur. Bu seçenek `True` olduğunda bir önceki alfa çarpımı `1` olarak sabitlenir, aksi takdirde 0. adımdaki alfa değeri kullanılır. | |
| steps_offset (`int`, varsayılan `0`) : Bazı model ailelerinin gerektirdiği gibi, çıkarım adımlarına eklenen bir ofset. | |
| prediction_type (`str`, defaults to `"epsilon"`) : 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). | |
| thresholding (`bool`, varsayılan `False`) : "Dinik eşikleme" yönteminin kullanılıp kullanılmayacağını belirtir. Bu, Stable Diffusion gibi gizli uzay difüzyon modelleri için uygun değildir. | |
| dynamic_thresholding_ratio (`float`, varsayılan `0.995`) : Dinamik eşikleme yöntemi için oran. Yalnızca `thresholding=True` olduğunda geçerlidir. | |
| sample_max_value (`float`, varsayılan `1.0`) : Dinamik eşikleme için eşik değeri. Yalnızca `thresholding=True` olduğunda geçerlidir. | |
| timestep_spacing (`str`, varsayılan `"leading"`) : Zaman adımlarının ölçeklendirilme yöntemi. Daha fazla bilgi için [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) makalesindeki Tablo 2'ye bakın. | |
| timestep_scaling (`float`, varsayılan `10.0`) : Tutarlılık modeli sınır koşulları `c_skip` ve `c_out` hesaplanırken zaman adımlarının çarpılacağı katsayı. Bu değeri artırmak, yaklaşık hatayı azaltır (ancak varsayılan `10.0` değeri için yaklaşık hata zaten oldukça küçüktür). | |
| rescale_betas_zero_snr (`bool`, varsayılan `False`) : Betaların sıfır terminal SNR'ye sahip olacak şekilde yeniden ölçeklenip ölçeklenmeyeceğini belirtir. Bu, modelin orta parlaklıktaki örneklerle sınırlı kalmak yerine çok parlak ve karanlık örnekler üretmesini sağlar. [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506) ile gevşek bir şekilde ilişkilidir. | |
| `LCMScheduler`, gürültü azaltma difüzyon olasılıksal modellerinde (DDPM) tanıtılan gürültü azaltma işlemini, Markov olmayan yönlendirme ile genişletir. | |
| Bu model [SchedulerMixin](/docs/diffusers/main/tr/api/schedulers/overview#diffusers.SchedulerMixin) ve [ConfigMixin](/docs/diffusers/main/tr/api/configuration#diffusers.ConfigMixin) sınıflarından devralır. [~ConfigMixin](/docs/diffusers/main/tr/api/configuration#diffusers.ConfigMixin), zamanlayıcının `__init__` fonksiyonuna iletilen `num_train_timesteps` gibi tüm yapılandırma özniteliklerini saklamaktan sorumludur. Bunlara `scheduler.config.num_train_timesteps` yoluyla erişilebilir. [SchedulerMixin](/docs/diffusers/main/tr/api/schedulers/overview#diffusers.SchedulerMixin), [SchedulerMixin.save_pretrained()](/docs/diffusers/main/tr/api/schedulers/overview#diffusers.SchedulerMixin.save_pretrained) ve [from_pretrained()](/docs/diffusers/main/tr/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained) fonksiyonları aracılığıyla genel yükleme ve kaydetme işlevselliği sağlar. | |
| #### add_noise[[diffusers.LCMScheduler.add_noise]] | |
| ```python | |
| add_noise(original_samples: Tensor, noise: Tensor, timesteps: IntTensor) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L667) | |
| **Parametreler:** | |
| original_samples (`torch.Tensor`) : Gürültü eklenecek orijinal örnekler. | |
| noise (`torch.Tensor`) : Örneklere eklenecek gürültü. | |
| timesteps (`torch.IntTensor`) : Her örnek için gürültü seviyesini gösteren zaman adımları. | |
| **Dönüş:** `torch.Tensor` | |
| Gürültülü örnekler. | |
| Her zaman adımındaki gürültü büyüklüğüne göre orijinal örneklerin gürültü ekleyin (bu, ileri difüzyon sürecidir). | |
| #### get_scalings_for_boundary_condition_discrete[[diffusers.LCMScheduler.get_scalings_for_boundary_condition_discrete]] | |
| ```python | |
| get_scalings_for_boundary_condition_discrete(timestep: int) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L548) | |
| **Parametreler:** | |
| timestep (`int`) : Ölçeklemelerin hesaplanacağı ayrık zaman adımı. | |
| **Dönüş:** `tuple[float, float]` | |
| `c_skip` (girdi örneği için ölçekleme) ve `c_out` (tahmin edilen gürültüden arındırılmış örnek için ölçekleme) içeren bir demet. | |
| Latent Consistency Model'de kullanılan, verilen ayrık zaman adımı için sınır koşulu ölçeklemelerini (`c_skip` ve `c_out`) hesaplar. | |
| #### get_velocity[[diffusers.LCMScheduler.get_velocity]] | |
| ```python | |
| get_velocity(sample: Tensor, noise: Tensor, timesteps: IntTensor) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L710) | |
| **Parametreler:** | |
| sample (`torch.Tensor`) : Girdi örneği. | |
| noise (`torch.Tensor`) : Gürültü tensörü. | |
| timesteps (`torch.IntTensor`) : Hız hesaplama için zaman adımları. | |
| **Dönüş:** `torch.Tensor` | |
| Hesaplanan hız. | |
| Hız formülüne göre örnek ve gürültüden hız tahminini hesaplayın. | |
| #### index_for_timestep[[diffusers.LCMScheduler.index_for_timestep]] | |
| ```python | |
| index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L262) | |
| **Parametreler:** | |
| timestep (`float` veya `torch.Tensor`) : Zamanlamada bulunacak timestep değeri. | |
| schedule_timesteps (`torch.Tensor`, *isteğe bağlı*) : Aranacak zaman adımı zamanlaması. `None` ise `self.timesteps` kullanılır. | |
| **Dönüş:** `int` | |
| Zaman adımı planındaki zaman adımının indeksi. Çok eşleşme varsa, planın ortasından başlanırken (örneğin, görüntüden görüntüye) bir sigmanın atlanmaması için çok eşleşme durumunda ikinci indeksi döndürür. | |
| Verilen zaman adımının zaman adımı zaman çizelgesindeki indeksini bulun. | |
| #### previous_timestep[[diffusers.LCMScheduler.previous_timestep]] | |
| ```python | |
| previous_timestep(timestep) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L755) | |
| **Parametreler:** | |
| timestep (`int`) : Güncel zaman adımı. | |
| **Dönüş:** `int` veya `torch.Tensor` | |
| Önceki zaman adımı. | |
| Difüzyon zincirindeki bir önceki zaman adımını hesaplayın. | |
| #### scale_model_input[[diffusers.LCMScheduler.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_lcm.py#L341) | |
| **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. | |
| #### set_begin_index[[diffusers.LCMScheduler.set_begin_index]] | |
| ```python | |
| set_begin_index(begin_index: int = 0) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L331) | |
| **Parametreler:** | |
| begin_index (`int`, varsayılan `0`) : Zamanlayıcının başlangıç indeksi. | |
| Zamanlayıcının başlangıç indeksini ayarlar. Bu işlev, çıkarım (inference) öncesinde pipeline'dan çalıştırılmalıdır. | |
| #### set_timesteps[[diffusers.LCMScheduler.set_timesteps]] | |
| ```python | |
| set_timesteps(num_inference_steps: int | None = None, device: typing.Union[str, torch.device, NoneType] = None, original_inference_steps: int | None = None, timesteps: list[int] | None = None, strength: float = 1.0) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L402) | |
| **Parametreler:** | |
| num_inference_steps (`int`, *isteğe bağlı*) : Ön eğitilmiş bir modelle örnekler oluşturulurken kullanılan difüzyon adım sayısı. Kullanılırsa, `timesteps` `None` olmalıdır. | |
| device (`str` veya `torch.device`, *opsiyonel*) : Timestep'lerin taşınacağı cihaz. `None` ise timestep'ler taşınmaz. | |
| original_inference_steps (`int`, *opsiyonel*) : Doğrusal aralıklı bir zaman adımı planı oluşturmak için kullanılacak olan orijinal çıkarım adımı sayısı (standart `diffusers` uygulamasından farklıdır). Ardından bu plandan, indeksler açısından eşit aralıklı olacak şekilde `num_inference_steps` zaman adımı seçer ve bunu nihai zaman adımı planımız olarak kullanırız. Ayarlanmazsa, bu değer `original_inference_steps` özniteliğine varsayılan olarak ayarlanır. | |
| timesteps (`list[int]`, *isteğe bağlı*) : Timestep'ler arasında keyfi aralıklara destek sağlamak için kullanılan özel timestep'ler. `None` ise, eğitim/distilasyon timestep zaman çizelgesinde timestep'ler arasında eşit aralıklı varsayılan timestep aralıklandırma stratejisi kullanılır. `timesteps` geçirilirse, `num_inference_steps` `None` olmalıdır. | |
| strength (`float`, varsayılan `1.0`) : Kısmi zaman adımı zaman çizelgesi oluşturmak için kullanılan güç faktörü (ör. görüntüden görüntüye). `1.0` değeri tam zaman çizelgesini kullanır. | |
| **Dönüş:** `None` | |
| Difüzyon zinciri için kullanılan ayrık zaman adımlarını ayarlar (çalıştırılmadan önce çıkarım yapılmalıdır). | |
| #### adım[[diffusers.LCMScheduler.step]] | |
| ```python | |
| step(model_output: Tensor, timestep: int, sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_lcm.py#L569) | |
| **Parametreler:** | |
| model_output (`torch.Tensor`) : Öğrenen difüzyon modelinden gelen doğrudan çıktı. | |
| timestep (`int`) : Difüzyon zincirindeki mevcut ayrık zaman adımı. | |
| sample (`torch.Tensor`) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği. | |
| generator (`torch.Generator`, *isteğe bağlı*) : Yeniden üretilebilir örneklemeler için rastgele sayı üreteci. | |
| return_dict (`bool`, varsayılan `True`) : `LCMSchedulerOutput` veya `tuple` döndürülecek mi? | |
| **Dönüş:** `LCMSchedulerOutput` veya `tuple` | |
| return_dict `True` ise `LCMSchedulerOutput` döndürülür, aksi halde ilk öğesi örnek tensörü olan bir tuple döndürülür. | |
| 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:
- 13.6 kB
- Xet hash:
- 603f432d495edb777a52547b5bb661b3ad9dae54eeb697a2526b8fcee6650127
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.