diffusers/main/tr/api/schedulers/multistep_dpm_solver.md

DPMSolverMultistepScheduler

DPMSolverMultistepScheduler, Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li ve Jun Zhu tarafından yazılan DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps ve DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models makalelerinden bir çok adımlı zamanlayıcıdır.

DPMSolver (ve geliştirilmiş sürüm DPMSolver++) difüzyon ODE'leri için yakınsama derecesi garantisi sunan hızlı, özel bir yüksek dereceli çözücüdür. Deneysel olarak, yalnızca 20 adımla DPMSolver örneklemesi yüksek kaliteli örnekler üretebilir ve 10 adımda bile oldukça iyi örnekler üretebilir.

İpuçları

Rehber örneklemesi için solver_order'ın 2 olarak ayarlanması, koşulsuz örneklemesi için ise solver_order=3 olarak ayarlanması önerilir.

Imagen'den dinik eşikleme desteklenmektedir ve piksel uzayında çalışan difüzyon modelleri için dinamik eşikleme kullanmak üzere hem algorithm_type="dpmsolver++" hem de thresholding=True değerlerini ayarlayabilirsiniz. Bu eşikleme yöntemi, Stable Diffusion gibi gizli uzayda çalışan difüzyon modelleri için uygun değildir.

DPMSolver ve DPM-Solver++'ın SDE varyantı da desteklenir, ancak yalnızca birinci ve ikinci dereceden çözücüler için. Bu, ters yönlü difüzyon SDE'si için hızlı bir SDE çözücüsüdür. İkinci dereceden sde-dpmsolver++'ın kullanılması önerilir.

DPMSolverMultistepScheduler[[diffusers.DPMSolverMultistepScheduler]]

diffusers.DPMSolverMultistepScheduler[[diffusers.DPMSolverMultistepScheduler]]

diffusers.DPMSolverMultistepScheduler(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, solver_order: int = 2, prediction_type: typing.Literal['epsilon', 'sample', 'v_prediction', 'flow_prediction'] = 'epsilon', thresholding: bool = False, dynamic_thresholding_ratio: float = 0.995, sample_max_value: float = 1.0, algorithm_type: typing.Literal['dpmsolver', 'dpmsolver++', 'sde-dpmsolver', 'sde-dpmsolver++'] = 'dpmsolver++', solver_type: typing.Literal['midpoint', 'heun'] = 'midpoint', lower_order_final: bool = True, euler_at_final: bool = False, use_karras_sigmas: bool = False, use_exponential_sigmas: bool = False, use_beta_sigmas: bool = False, use_lu_lambdas: bool = False, use_flow_sigmas: bool = False, flow_shift: float = 1.0, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero', lambda_min_clipped: float = -inf, variance_type: typing.Optional[typing.Literal['learned', 'learned_range']] = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, use_dynamic_shifting: bool = False, time_shift_type: typing.Literal['exponential'] = 'exponential')

Kaynak

Parametreler:

num_train_timesteps (int, varsayılan 1000) : Modelin eğitileceği difüzyon adım sayısı.

beta_start (float, varsayılan 0.0001) : Çıkarımın başlangıç beta değeri.

beta_end (float, varsayılan 0.02) : Son beta değeri.

beta_schedule ("linear", "scaled_linear" veya "squaredcos_cap_v2", varsayılan olarak "linear") : Beta zamanlaması, modelin adım atması için beta aralığını beta dizisine eşleyen bir haritalama.

trained_betas (np.ndarray, isteğe bağlı) : beta_start ve beta_end parametrelerini atlamak için beta dizisini doğrudan yapılandırıcıya iletin.

solver_order (int, varsayılan 2) : 1 veya 2 veya 3 olabilecek DPMSolver derecesi. Rehberli örneklemeler için solver_order=2, koşulsuz örneklemeler için ise solver_order=3 kullanılması önerilir.

prediction_type ("epsilon", "sample", "v_prediction" veya "flow_prediction", varsayılan olarak "epsilon") : Zamanlayıcı işlevinin tahmin türü. epsilon difüzyon sürecinin gürültüsünü tahmin eder, sample gürültülü örneği doğrudan tahmin eder, v_prediction hızı tahmin eder (Imagen Video makalesinin 2.4 bölümüne bakın) ve flow_prediction akışı tahmin eder.

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 ve algorithm_type="dpmsolver++" olduğunda geçerlidir.

algorithm_type ("dpmsolver", "dpmsolver++", "sde-dpmsolver" veya "sde-dpmsolver++", varsayılan olarak "dpmsolver++") : Çözücü için algoritma türü. dpmsolver türü, DPMSolver makalesindeki algoritmaları, dpmsolver++ türü ise DPMSolver++ makalesindeki algoritmaları uygular. Stable Diffusion'daki gibi yönlendirilmiş örneklemeler için dpmsolver++ veya sde-dpmsolver++'ın solver_order=2 ile kullanılması önerilir.

solver_type ("midpoint" veya "heun", varsayılan "midpoint") : İkinci mertebe çözücü için çözücü türü. Çözücü türü, özellikle adım sayısı az olduğunda örnek kalitesini hafifçe etkiler. midpoint çözücülerinin kullanılması önerilir.

lower_order_final (bool, varsayılan True) : Son adımlarda düşük dereceli çözücülerin kullanılıp kullanılmayacağı. Yalnızca 15'ten az çıkarım adımı için geçerlidir. Bu, özellikle 10 ve altı adımlar için DPMSolver'ın 15'ten az adımlarda örneklemesini kararlı hale getirebilir.

euler_at_final (bool, varsayılan False) : Son adımda Euler yönteminin kullanılıp kullanılmayacağı. Sayısal kararlılık ile detay zenginliği arasında bir ödünleşimdir. Bu, DPMSolver'ın SDE varyantının örneklemesini, düşük sayıda çıkarım adımı için kararlı hale getirebilir, ancak bazen bulanıklığa yol açabilir.

use_karras_sigmas (bool, isteğe bağlı, varsayılan False) : Örnekleme sürecinde gürültü zamanlamasındaki adım boyutları için Karras sigmalarının kullanılıp kullanılmayacağını belirtir. True ise, sigmalar {σi} gürültü seviyeleri dizisine göre belirlenir.

use_exponential_sigmas (bool, isteğe bağlı, varsayılan False) : Örnekleme sürecinde gürültü zamanlamasındaki adım boyutları için üstel sigmaların kullanılıp kullanılmayacağını belirtir.

use_beta_sigmas (bool, isteğe bağlı, varsayılan False) : Örnekleme sürecinde gürültü zamanlamasında adım boyutları için beta sigmaların kullanılıp kullanılmayacağını belirtir. Daha fazla bilgi için Beta Sampling is All You Need makalesine bakın.

use_lu_lambdas (bool, isteğe bağlı, varsayılan False) : Örnekleme sürecindeki gürültü zamanlamasında, Lu'nun DPM-Solver'ı tarafından önerilen adım boyutları için uniform-logSNR kullanılıp kullanılmayacağını belirtir. True ise, sigmalar ve zaman adımları lambda(t) dizisine göre belirlenir.

use_flow_sigmas (bool, isteğe bağlı, varsayılan False) : Örnekleme sürecinde gürültü zamanlamasında adım boyutları için akış sigmalarının kullanılıp kullanılmayacağı.

flow_shift (float, opsiyonel, varsayılan 1.0) : Akış eşleştirmesi için zaman adımı zaman çizelgesinin kayma değeri.

final_sigmas_type ("zero" veya "sigma_min", isteğe bağlı, varsayılan "zero") : Örnekleme süreci sırasında gürültü zamanlaması için son sigma değeri. "sigma_min" ise, son sigma, eğitim zamanlamasındaki son sigma ile aynıdır. "zero" ise, son sigma 0 olarak ayarlanır.

lambda_min_clipped (float, varsayılan -inf) : Sayısal kararlılık için lambda(t)'nin minimum değerine uygulanan kırpma eşiği. Bu, kosinüs (squaredcos_cap_v2) gürültü zamanlaması için kritiktir.

variance_type ("learned" veya "learned_range", isteğe bağlı) : Varyans tahmin eden difüzyon modelleri için "learned" veya "learned_range" olarak ayarlayın. Ayarlanırsa, modelin çıktısı tahmin edilen Gauss varyansını içerir.

timestep_spacing ("linspace", "leading" veya "trailing", varsayılan olarak "linspace") : Zaman adımlarının ölçeklendirilme yöntemi. Daha fazla bilgi için Common Diffusion Noise Schedules and Sample Steps are Flawed makalesindeki Tablo 2'ye bakın.

steps_offset (int, varsayılan 0) : Bazı model ailelerinin gerektirdiği gibi, çıkarım adımlarına eklenen bir ofset.

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 ile gevşek bir şekilde ilişkilidir.

use_dynamic_shifting (bool, varsayılan False) : Zaman adımı zaman çizelgesi için dinamik kaydırma kullanılıp kullanılmayacağı.

time_shift_type ("exponential", varsayılan olarak "exponential") : Dinamik kaydırma kullanılırken uygulanacak zaman kaydırma türü.

DPMSolverMultistepScheduler, difüzyon ODE'leri için hızlı ve özel yüksek dereceli bir çözücüdür.

Bu model SchedulerMixin ve ConfigMixin sınıflarından devralır. Kütüphanenin tüm zamanlayıcılar için yükleme ve kaydetme gibi genel yöntemleri uyguladığı üst sınıf belgelendirmesini kontrol edin.

add_noise[[diffusers.DPMSolverMultistepScheduler.add_noise]]

add_noise(original_samples: Tensor, noise: Tensor, timesteps: IntTensor)

Kaynak

Parametreler:

original_samples (torch.Tensor) : Gürültüsüz orijinal örnekler.

noise (torch.Tensor) : Örneklere eklenecek gürültü.

timesteps (torch.IntTensor) : Örneklerin gürültü eklenmesi için kullanılacak zaman adımları.

Dönüş: torch.Tensor

Gürültülü örnekler.

Belirtilen zaman adımlarındaki gürültü planına göre orijinal örneklerin gürültü ekleyin.

convert_model_output[[diffusers.DPMSolverMultistepScheduler.convert_model_output]]

convert_model_output(model_output: Tensor, *args, sample: typing.Optional[torch.Tensor] = None, **kwargs)

Kaynak

Parametreler:

model_output (torch.Tensor) : Öğrenen difüzyon modelinden gelen doğrudan çıktı.

sample (torch.Tensor, isteğe bağlı) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.

Dönüş: torch.Tensor

Dönüştürülen model çıktısı.

Model çıktısını, DPMSolver/DPMSolver++ algoritmasının gerektirdiği ilgili tipe dönüştürün. DPM-Solver, gürültü tahmin modelinin bir integralini ayrıklaştırmak için tasarlanmıştır ve DPM-Solver++, veri tahmin modelinin bir integralini ayrıklaştırmak için tasarlanmıştır.

> Algoritma ve model tipi birbirinden bağımsızdır. Her ikisi için de DPMSolver veya DPMSolver++ kullanabilirsiniz noise > tahmin ve veri tahmin modelleri.

dpm_solver_first_order_update[[diffusers.DPMSolverMultistepScheduler.dpm_solver_first_order_update]]

dpm_solver_first_order_update(model_output: Tensor, *args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, **kwargs)

Kaynak

Parametreler:

model_output (torch.Tensor) : Öğrenen difüzyon modelinden gelen doğrudan çıktı.

sample (torch.Tensor, isteğe bağlı) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.

noise (torch.Tensor, isteğe bağlı) : Gürültü tensörü.

Dönüş: torch.Tensor

Önceki zaman adımındaki örnek tensör.

Birinci dereceden DPMSolver için tek adım (DDIM ile eşdeğer).

index_for_timestep[[diffusers.DPMSolverMultistepScheduler.index_for_timestep]]

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

Kaynak

Parametreler:

timestep (int veya torch.Tensor) : İndeksini bulmak istediğiniz zaman adımı.

schedule_timesteps (torch.Tensor, isteğe bağlı) : Aranacak zaman adımı zamanlaması. None ise self.timesteps kullanılır.

Dönüş: int

Zaman adımı planındaki zaman adımının indeksi.

Zamanlamadaki (schedule) belirli bir zaman adımının (timestep) indeksini bulun.

multistep_dpm_solver_second_order_update[[diffusers.DPMSolverMultistepScheduler.multistep_dpm_solver_second_order_update]]

multistep_dpm_solver_second_order_update(model_output_list: list, *args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, **kwargs)

Kaynak

Parametreler:

model_output_list (list[torch.Tensor]) : Öğrenen difüzyon modelinin mevcut ve sonraki zaman adımlarındaki doğrudan çıktıları.

sample (torch.Tensor, isteğe bağlı) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.

noise (torch.Tensor, isteğe bağlı) : Stokastik (sde-*) çözücü varyantları tarafından kullanılan rastgele gürültü. algorithm_type bunlardan birine ayarlandığında zorunludur, aksi takdirde kullanılmaz.

Dönüş: torch.Tensor

Önceki zaman adımındaki örnek tensör.

İkinci mertebeden çok adımlı DPMSolver için tek adım.

multistep_dpm_solver_third_order_update[[diffusers.DPMSolverMultistepScheduler.multistep_dpm_solver_third_order_update]]

multistep_dpm_solver_third_order_update(model_output_list: list, *args, sample: typing.Optional[torch.Tensor] = None, noise: typing.Optional[torch.Tensor] = None, **kwargs)

Kaynak

Parametreler:

model_output_list (list[torch.Tensor]) : Öğrenen difüzyon modelinin mevcut ve sonraki zaman adımlarındaki doğrudan çıktıları.

sample (torch.Tensor, isteğe bağlı) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.

noise (torch.Tensor, isteğe bağlı) : Gürültü tensörü.

Dönüş: torch.Tensor

Önceki zaman adımındaki örnek tensör.

Üçüncü dereceden çok adımlı DPMSolver için tek adım.

scale_model_input[[diffusers.DPMSolverMultistepScheduler.scale_model_input]]

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

Kaynak

Parametreler:

sample (torch.Tensor) : Girdi örneği.

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.DPMSolverMultistepScheduler.set_begin_index]]

set_begin_index(begin_index: int = 0)

Kaynak

Parametreler:

begin_index (int, varsayılan 0) : Zamanlayıcının başlangıç indeksi.

Zamanlayıcının başlangıç indeksini ayarlar. Bu işlev, çıkarım (inference) öncesinde pipeline'dan çalıştırılmalıdır.

set_timesteps[[diffusers.DPMSolverMultistepScheduler.set_timesteps]]

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

Kaynak

Parametreler:

num_inference_steps (int, isteğe bağlı) : Ön eğitilmiş bir modelle örnekler oluşturulurken kullanılan difüzyon adım sayısı.

device (str veya torch.device, opsiyonel) : Timestep'lerin taşınacağı cihaz. None ise timestep'ler taşınmaz.

mu (float, isteğe bağlı) : Dinamik zaman kaydırma için üstel. use_dynamic_shifting ve "exponential" değerine sahip bir time_shift_type gerektirir; iletildiğinde flow_shift, exp(mu) olarak ayarlanır.

timesteps (list[int], isteğe bağlı) : İsteğe bağlı zaman adımları zaman çizelgesini desteklemek için kullanılan özel zaman adımları. None ise, zaman adımları timestep_spacing özniteliğine dayanılarak oluşturulur. timesteps geçirilirse, num_inference_steps ve sigmas None olmalıdır ve timestep_spacing özniteliği yok sayılır.

Difüzyon zinciri için kullanılan ayrık zaman adımlarını ayarlar (çalıştırılmadan önce çıkarım yapılmalıdır).

adım[[diffusers.DPMSolverMultistepScheduler.step]]

step(model_output: Tensor, timestep: typing.Union[int, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, variance_noise: typing.Optional[torch.Tensor] = None, return_dict: bool = True)

Kaynak

Parametreler:

model_output (torch.Tensor) : Öğrenen difüzyon modelinden gelen doğrudan çıktı.

timestep (int veya torch.Tensor) : Difüzyon zincirindeki mevcut ayrık zaman adımı.

sample (torch.Tensor) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.

generator (torch.Generator, isteğe bağlı) : Rastgele sayı üreteci.

variance_noise (torch.Tensor, isteğe bağlı) : generator ile gürültü üretmek yerine, varyans için gürültüyü doğrudan sağlayarak alternatif oluşturur. LEdits++ gibi yöntemler için faydalıdır.

return_dict (bool, varsayılan True) : SchedulerOutput mu yoksa tuple mu döndürüleceğini belirtir.

Dönüş: SchedulerOutput veya tuple

return_dict True ise SchedulerOutput döndürülür, aksi takdirde bir tuple döndürülür ve bu tuple'ın ilk öğesi örnek tensörüdür.

Önceki zaman adımından örneklemeyi SDE'yi tersine çevirerek tahmin edin. Bu fonksiyon, örneklemeyi çok adımlı DPMSolver ile ilerletir.

SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]

diffusers.schedulers.scheduling_utils.SchedulerOutput[[diffusers.schedulers.scheduling_utils.SchedulerOutput]]

diffusers.schedulers.scheduling_utils.SchedulerOutput(prev_sample: Tensor)

Kaynak

Parametreler:

prev_sample (torch.Tensor, görüntüler için (batch_size, num_channels, height, width) boyutunda) : Önceki zaman adımının hesaplanan (x_{t-1}) örneği. prev_sample, gürültü azaltma döngüsünde bir sonraki model girdisi olarak kullanılmalıdır.

Bir zamanlayıcının step işlevinin çıktısı için temel sınıf.