Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /ko /using-diffusers /schedulers.md

mishig

about 3 hours ago

preview code

download

raw

12 kB

# 스케줄러

스케줄러는 디노이징 루프가 각 단계에서 얼마나 많은 노이즈를 제거할지 알려줍니다. 스케줄러에 따라 속도와 품질을 서로 트레이드오프합니다.

이 가이드에서는 스케줄러를 로드하고 그 timestep schedule, spacing, sigmas를 사용자 정의하는 방법을 보여줍니다.

## 스케줄러 선택

checkpoint 기본값에서 시작하세요. 속도 또는 품질 트레이드오프가 다른 경우에만 교체하세요.

- DPM++ 2M SDE Karras는 많은 latent diffusion 체크포인트에 대해 강력한 범용 옵션입니다.
- [TCDScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/tcd#diffusers.TCDScheduler)는 증류된 모델에 잘 작동합니다.
- FlowMatch 모델(Qwen-Image, Flux 및 유사 모델)에는 [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) 또는 [FlowMatchHeunDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_heun_discrete#diffusers.FlowMatchHeunDiscreteScheduler)를 사용하세요.
- 애니메이션 스타일 이미지에는 [EulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/euler#diffusers.EulerDiscreteScheduler) 또는 [EulerAncestralDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/euler_ancestral#diffusers.EulerAncestralDiscreteScheduler)를 사용하는 것이 효과적입니다.
- 체크포인트가 지원하는 경우, 몇 단계 생성을 위해 LCM UNet 또는 LoRA와 함께 [LCMScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/lcm#diffusers.LCMScheduler)를 사용합니다.

## 스케줄러 로드

> [!TIP]
> Qwen-Image, Flux와 같은 Flow-matching 모델은 기본적으로 [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)를 사용합니다. 의도적으로 실험하는 경우가 아니라면 해당 스케줄러를 유지하세요. 대체 스케줄러가 체크포인트와 호환되는 경우에만 [from_config()](/docs/diffusers/v0.43.0/ko/api/configuration#diffusers.ConfigMixin.from_config)를 사용하여 교체하세요.

Schedulers는 설정만 포함하며 가중치 텐서를 포함하지 않습니다. 파이프라인의 `.scheduler` 속성에 액세스하여 로드된 설정을 확인하세요.

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler
```

로드된 파이프라인에서 스케줄러를 교체하려면 기존 스케줄러 설정을 [from_config()](/docs/diffusers/v0.43.0/ko/api/configuration#diffusers.ConfigMixin.from_config)에 전달하여 `num_train_timesteps` 및 관련 필드가 정렬되도록 유지하세요. FlowMatch 체크포인트(Qwen-Image, Flux 등)의 경우, 호환되는 대체 스케줄러를 의도적으로 실험하는 것이 아니라면 [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)를 유지하세요.

```py
from diffusers import DPMSolverMultistepScheduler
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config)
```

[from_pretrained()](/docs/diffusers/v0.43.0/ko/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained)를 사용하여 Hub에서 스케줄러 설정을 로드한 후, `scheduler`를 통해 [from_pretrained()](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained)에 전달할 수도 있습니다.

```py
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
dpm = DPMSolverMultistepScheduler.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", subfolder="scheduler"
)
pipeline = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    scheduler=dpm,
    dtype=torch.float16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipeline.scheduler
```

## Timestep 스케줄

Timestep 또는 noise schedule는 denoising 과정에서 노이즈가 어떻게 분포되는지를 결정합니다. 스케줄은 선형일 수도 있고, 시작 부분이나 끝 부분에 더 집중되어 있을 수도 있습니다. 이는 스케줄러의 기본 구성에서 생성된 노이즈 레벨의 사전 계산된 시퀀스이지만, 다른 스케줄을 사용하도록 사용자 정의할 수 있습니다.

```text
linear (even steps)                 AYS (denser where it matters)
noise                               noise
  ^                                   ^
  | *                                 | *
  |  *                                |   *
  |   *                               |    **
  |    *                              |     ***
  |     *                             |      **
  |      *                            |        *
  |       *                           |          *
  +-----------------> step            +-----------------> step
```

> [!TIP]
> 커스텀 `timesteps`는 해당 스케줄러의 `set_timesteps`가 해당 인수를 지원하는 경우에만 작동합니다(파이프라인은 `retrieve_timesteps`를 통해 시그니처를 확인하고, 그렇지 않으면 `ValueError`를 발생시킵니다). 전달하기 전에 스케줄러의 API 페이지 또는 `set_timesteps` 시그니처를 확인하세요.
아래 예제는 [Align Your Steps (AYS)](https://research.nvidia.com/labs/toronto-ai/AlignYourSteps/) 스케줄을 사용하여 10단계 만에 고품질 이미지를 생성할 수 있으며, 이를 통해 생성 속도를 크게 높이고 계산 시간을 줄입니다.
schedule를 가져와서 파이프라인의 `timesteps` 인자에 전달합니다.
```py
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
from diffusers.schedulers import AysSchedules
sampling_schedule = AysSchedules["StableDiffusionXLTimesteps"]
print(sampling_schedule)
# [999, 845, 730, 587, 443, 310, 193, 116, 53, 13]
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
  pipeline.scheduler.config, algorithm_type="sde-dpmsolver++"
)
prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    timesteps=sampling_schedule,
).images[0]
```
  
    
    AYS timestep schedule 10 steps
  
  
    
    선형 간격 timestep 스케줄 10단계
  
  
    
    선형 간격 타임스텝 스케줄 25단계
  
구버전 체크포인트의 v-prediction/zero-SNR rescaling에 대해서는 [Legacy checkpoints](./legacy_checkpoints#rescaling-schedules)를 참조하세요.

## Timestep 간격

Timestep spacing은 스케줄에서 샘플링할 특정 단계 *t*를 의미합니다. Diffusers는 아래에 표시된 세 가지 spacing 유형을 제공합니다.

| spacing 전략 | spacing 계산 | 예시 timesteps |
|---|---|---|
| `leading` | 균등 간격의 단계 | `[900, 800, 700, ..., 100, 0]` |
| `linspace` | 첫 단계와 마지막 단계를 포함하고 나머지 중간 단계를 균등하게 나눕니다 | `[1000, 888.89, 777.78, ..., 111.11, 0]` |
| `trailing` | 마지막 단계와 끝에서부터 시작하여 나머지 중간 단계를 균등하게 나눕니다 | `[999, 899, 799, 699, 599, 499, 399, 299, 199, 99]` |

스케줄러의 `timestep_spacing` 인자에 간격 전략을 전달합니다.

> [!TIP]
> `trailing` 전략은 일반적으로 더 적은 단계 수로 더 높은 품질과 더 많은 디테일을 가진 이미지를 생성하지만, 보다 표준적인 단계 값에서는 품질 차이가 그렇게 뚜렷하지 않습니다.

```py
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
  pipeline.scheduler.config, timestep_spacing="trailing"
)
prompt = "A cinematic shot of a cute little black cat sitting on a pumpkin at night"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    num_inference_steps=5,
).images[0]
image
```

  
    
    5단계 후 뒤쪽 간격
  
  
    
    5단계 후 앞쪽 간격
  
## Sigmas

Sigmas는 스케줄에 따라 특정 단계에서 샘플의 노이즈 수준을 나타내는 지표입니다. 사용자 정의 `sigmas`를 사용하는 경우, `timesteps`은 기본 스케줄러 구성 대신 이 값들로부터 계산됩니다.

```text
step:   0    1    2    3    4
sigma:  σ0 > σ1 > σ2 > σ3 > σ4 ≈ 0
        high noise  --->  clean sample
```

> [!TIP]
> `sigmas` 커스텀 값은 해당 스케줄러의 `set_timesteps`가 해당 인수를 지원하는 경우에만 작동합니다. 파이프라인은 `retrieve_timesteps`를 통해 시그니처를 확인하며, 지원하지 않으면 `ValueError`를 발생시킵니다. 전달하기 전에 스케줄러의 API 페이지 또는 `set_timesteps` 시그니처를 확인하세요.
커스텀 sigmas를 파이프라인의 `sigmas` 인자에 전달합니다. 아래 예제는 10단계 AYS 스케줄의 [sigmas](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py)를 사용합니다.
```py
import torch
from diffusers import DiffusionPipeline, EulerDiscreteScheduler
from diffusers.schedulers import AysSchedules
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config)
sigmas = AysSchedules["StableDiffusionXLSigmas"]
prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    sigmas=sigmas,
).images[0]
```
### Karras 시그마

[Karras sigmas](https://huggingface.co/papers/2206.00364)는 시퀀스 중간, 즉 구조 재건이 중요한 부분에 시그마를 더 밀집하게 클러스터링하고, 노이즈 변화의 영향이 적은 시작과 끝 부분에는 시그마를 적게 사용하여 노이즈 스케줄을 재샘플링함으로써 더 효율적인 샘플링을 수행합니다. 이를 통해 생성된 이미지의 디테일 수준을 높일 수 있습니다.

```text
default σ:  *  *  *  *  *  *  *  *     even-ish
Karras σ:   *   * * * * *   *          denser mid, sparser ends
            |---structure---|
```

`use_karras_sigmas=True`를 스케줄러에 설정하여 활성화합니다.

```py
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
pipeline = DiffusionPipeline.from_pretrained(
    "SG161222/RealVisXL_V4.0",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
  pipeline.scheduler.config,
  algorithm_type="sde-dpmsolver++",
  use_karras_sigmas=True,
)
prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
image = pipeline(
    prompt=prompt,
    negative_prompt="",
    num_inference_steps=20,
).images[0]
```

  
    
    Karras sigmas 활성화됨
  
  
    
    Karras sigmas 비활성화됨
  
Karras sigmas를 지원하는 스케줄러 목록은 스케줄러 API [개요](../api/schedulers/overview)를 참조하세요. Karras sigmas로 학습된 모델에만 사용해야 합니다.

## 다음 단계

- Read the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) paper for more details about rescaling the noise schedule to enforce zero SNR.

Xet Storage Details

Size:: 12 kB
Xet hash:: 671661261c0d475bdc2abcfa2851ba3d6d96c073700c87efefe69cec755f04e9

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# 스케줄러

	스케줄러는 디노이징 루프가 각 단계에서 얼마나 많은 노이즈를 제거할지 알려줍니다. 스케줄러에 따라 속도와 품질을 서로 트레이드오프합니다.

	이 가이드에서는 스케줄러를 로드하고 그 timestep schedule, spacing, sigmas를 사용자 정의하는 방법을 보여줍니다.

	## 스케줄러 선택

	checkpoint 기본값에서 시작하세요. 속도 또는 품질 트레이드오프가 다른 경우에만 교체하세요.

	- DPM++ 2M SDE Karras는 많은 latent diffusion 체크포인트에 대해 강력한 범용 옵션입니다.
	- [TCDScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/tcd#diffusers.TCDScheduler)는 증류된 모델에 잘 작동합니다.
	- FlowMatch 모델(Qwen-Image, Flux 및 유사 모델)에는 [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) 또는 [FlowMatchHeunDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_heun_discrete#diffusers.FlowMatchHeunDiscreteScheduler)를 사용하세요.
	- 애니메이션 스타일 이미지에는 [EulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/euler#diffusers.EulerDiscreteScheduler) 또는 [EulerAncestralDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/euler_ancestral#diffusers.EulerAncestralDiscreteScheduler)를 사용하는 것이 효과적입니다.
	- 체크포인트가 지원하는 경우, 몇 단계 생성을 위해 LCM UNet 또는 LoRA와 함께 [LCMScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/lcm#diffusers.LCMScheduler)를 사용합니다.

	## 스케줄러 로드

	> [!TIP]
	> Qwen-Image, Flux와 같은 Flow-matching 모델은 기본적으로 [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)를 사용합니다. 의도적으로 실험하는 경우가 아니라면 해당 스케줄러를 유지하세요. 대체 스케줄러가 체크포인트와 호환되는 경우에만 [from_config()](/docs/diffusers/v0.43.0/ko/api/configuration#diffusers.ConfigMixin.from_config)를 사용하여 교체하세요.

	Schedulers는 설정만 포함하며 가중치 텐서를 포함하지 않습니다. 파이프라인의 `.scheduler` 속성에 액세스하여 로드된 설정을 확인하세요.

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler
	```

	로드된 파이프라인에서 스케줄러를 교체하려면 기존 스케줄러 설정을 [from_config()](/docs/diffusers/v0.43.0/ko/api/configuration#diffusers.ConfigMixin.from_config)에 전달하여 `num_train_timesteps` 및 관련 필드가 정렬되도록 유지하세요. FlowMatch 체크포인트(Qwen-Image, Flux 등)의 경우, 호환되는 대체 스케줄러를 의도적으로 실험하는 것이 아니라면 [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ko/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)를 유지하세요.

	```py
	from diffusers import DPMSolverMultistepScheduler

	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config)
	```

	[from_pretrained()](/docs/diffusers/v0.43.0/ko/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained)를 사용하여 Hub에서 스케줄러 설정을 로드한 후, `scheduler`를 통해 [from_pretrained()](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained)에 전달할 수도 있습니다.

	```py
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

	dpm = DPMSolverMultistepScheduler.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0", subfolder="scheduler"
	)
	pipeline = DiffusionPipeline.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0",
	scheduler=dpm,
	dtype=torch.float16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler
	```

	## Timestep 스케줄

	Timestep 또는 noise schedule는 denoising 과정에서 노이즈가 어떻게 분포되는지를 결정합니다. 스케줄은 선형일 수도 있고, 시작 부분이나 끝 부분에 더 집중되어 있을 수도 있습니다. 이는 스케줄러의 기본 구성에서 생성된 노이즈 레벨의 사전 계산된 시퀀스이지만, 다른 스케줄을 사용하도록 사용자 정의할 수 있습니다.

	```text
	linear (even steps) AYS (denser where it matters)
	noise noise
	^ ^
	\| * \| *
	\| * \| *
	\| * \| **
	\| * \| ***
	\| * \| **
	\| * \| *
	\| * \| *
	+-----------------> step +-----------------> step
	```

	> [!TIP]
	> 커스텀 `timesteps`는 해당 스케줄러의 `set_timesteps`가 해당 인수를 지원하는 경우에만 작동합니다(파이프라인은 `retrieve_timesteps`를 통해 시그니처를 확인하고, 그렇지 않으면 `ValueError`를 발생시킵니다). 전달하기 전에 스케줄러의 API 페이지 또는 `set_timesteps` 시그니처를 확인하세요.

	아래 예제는 [Align Your Steps (AYS)](https://research.nvidia.com/labs/toronto-ai/AlignYourSteps/) 스케줄을 사용하여 10단계 만에 고품질 이미지를 생성할 수 있으며, 이를 통해 생성 속도를 크게 높이고 계산 시간을 줄입니다.

	schedule를 가져와서 파이프라인의 `timesteps` 인자에 전달합니다.

	```py
	import torch
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
	from diffusers.schedulers import AysSchedules

	sampling_schedule = AysSchedules["StableDiffusionXLTimesteps"]
	print(sampling_schedule)
	# [999, 845, 730, 587, 443, 310, 193, 116, 53, 13]

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
	pipeline.scheduler.config, algorithm_type="sde-dpmsolver++"
	)

	prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	timesteps=sampling_schedule,
	).images[0]
	```



	AYS timestep schedule 10 steps



	선형 간격 timestep 스케줄 10단계



	선형 간격 타임스텝 스케줄 25단계


	구버전 체크포인트의 v-prediction/zero-SNR rescaling에 대해서는 [Legacy checkpoints](./legacy_checkpoints#rescaling-schedules)를 참조하세요.

	## Timestep 간격

	Timestep spacing은 스케줄에서 샘플링할 특정 단계 t를 의미합니다. Diffusers는 아래에 표시된 세 가지 spacing 유형을 제공합니다.

	\| spacing 전략 \| spacing 계산 \| 예시 timesteps \|
	\|---\|---\|---\|
	\| `leading` \| 균등 간격의 단계 \| `[900, 800, 700, ..., 100, 0]` \|
	\| `linspace` \| 첫 단계와 마지막 단계를 포함하고 나머지 중간 단계를 균등하게 나눕니다 \| `[1000, 888.89, 777.78, ..., 111.11, 0]` \|
	\| `trailing` \| 마지막 단계와 끝에서부터 시작하여 나머지 중간 단계를 균등하게 나눕니다 \| `[999, 899, 799, 699, 599, 499, 399, 299, 199, 99]` \|

	스케줄러의 `timestep_spacing` 인자에 간격 전략을 전달합니다.

	> [!TIP]
	> `trailing` 전략은 일반적으로 더 적은 단계 수로 더 높은 품질과 더 많은 디테일을 가진 이미지를 생성하지만, 보다 표준적인 단계 값에서는 품질 차이가 그렇게 뚜렷하지 않습니다.

	```py
	import torch
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
	pipeline.scheduler.config, timestep_spacing="trailing"
	)

	prompt = "A cinematic shot of a cute little black cat sitting on a pumpkin at night"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	num_inference_steps=5,
	).images[0]
	image
	```



	5단계 후 뒤쪽 간격



	5단계 후 앞쪽 간격


	## Sigmas

	Sigmas는 스케줄에 따라 특정 단계에서 샘플의 노이즈 수준을 나타내는 지표입니다. 사용자 정의 `sigmas`를 사용하는 경우, `timesteps`은 기본 스케줄러 구성 대신 이 값들로부터 계산됩니다.

	```text
	step: 0 1 2 3 4
	sigma: σ0 > σ1 > σ2 > σ3 > σ4 ≈ 0
	high noise ---> clean sample
	```

	> [!TIP]
	> `sigmas` 커스텀 값은 해당 스케줄러의 `set_timesteps`가 해당 인수를 지원하는 경우에만 작동합니다. 파이프라인은 `retrieve_timesteps`를 통해 시그니처를 확인하며, 지원하지 않으면 `ValueError`를 발생시킵니다. 전달하기 전에 스케줄러의 API 페이지 또는 `set_timesteps` 시그니처를 확인하세요.

	커스텀 sigmas를 파이프라인의 `sigmas` 인자에 전달합니다. 아래 예제는 10단계 AYS 스케줄의 [sigmas](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py)를 사용합니다.

	```py
	import torch
	from diffusers import DiffusionPipeline, EulerDiscreteScheduler
	from diffusers.schedulers import AysSchedules

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config)

	sigmas = AysSchedules["StableDiffusionXLSigmas"]
	prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	sigmas=sigmas,
	).images[0]
	```

	### Karras 시그마

	[Karras sigmas](https://huggingface.co/papers/2206.00364)는 시퀀스 중간, 즉 구조 재건이 중요한 부분에 시그마를 더 밀집하게 클러스터링하고, 노이즈 변화의 영향이 적은 시작과 끝 부분에는 시그마를 적게 사용하여 노이즈 스케줄을 재샘플링함으로써 더 효율적인 샘플링을 수행합니다. 이를 통해 생성된 이미지의 디테일 수준을 높일 수 있습니다.

	```text
	default σ: * * * * * * * * even-ish
	Karras σ: * * * * * * * denser mid, sparser ends
	\|---structure---\|
	```

	`use_karras_sigmas=True`를 스케줄러에 설정하여 활성화합니다.

	```py
	import torch
	from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

	pipeline = DiffusionPipeline.from_pretrained(
	"SG161222/RealVisXL_V4.0",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.scheduler = DPMSolverMultistepScheduler.from_config(
	pipeline.scheduler.config,
	algorithm_type="sde-dpmsolver++",
	use_karras_sigmas=True,
	)

	prompt = "A cinematic shot of a cute little rabbit wearing a jacket and doing a thumbs up"
	image = pipeline(
	prompt=prompt,
	negative_prompt="",
	num_inference_steps=20,
	).images[0]
	```



	Karras sigmas 활성화됨



	Karras sigmas 비활성화됨


	Karras sigmas를 지원하는 스케줄러 목록은 스케줄러 API [개요](../api/schedulers/overview)를 참조하세요. Karras sigmas로 학습된 모델에만 사용해야 합니다.

	## 다음 단계

	- Read the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) paper for more details about rescaling the noise schedule to enforce zero SNR.