Buckets:
| # SequentialPipelineBlocks | |
| [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) — это многоблочный тип, который объединяет другие [ModularPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) в последовательность. Данные линейно передаются от одного блока к следующему с помощью `inputs` и `intermediate_outputs`. Каждый блок в [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) обычно представляет собой этап конвейера, и, комбинируя их, вы постепенно формируете конвейер. | |
| В этом руководстве показано, как объединить два блока в [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). | |
| Создайте два [ModularPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks). Первый блок, `InputBlock`, выводит значение `batch_size`, а второй блок, `ImageEncoderBlock`, использует `batch_size` в качестве `inputs`. | |
| ```py | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class InputBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="prompt", type_hint=list, description="list of text prompts"), | |
| InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="batch_size", description="calculated batch size"), | |
| ] | |
| @property | |
| def description(self): | |
| return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument." | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| batch_size = len(block_state.prompt) | |
| block_state.batch_size = batch_size * block_state.num_images_per_prompt | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| ```py | |
| import torch | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class ImageEncoderBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"), | |
| InputParam(name="batch_size", type_hint=int), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="image_latents", description="latents representing the image"), | |
| ] | |
| @property | |
| def description(self): | |
| return "Encode raw image into its latent presentation" | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| # Simulate processing the image | |
| # This will change the state of the image from a PIL image to a tensor for all blocks | |
| block_state.image = torch.randn(1, 3, 512, 512) | |
| block_state.batch_size = block_state.batch_size * 2 | |
| block_state.image_latents = torch.randn(1, 4, 64, 64) | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| Соедините два блока, определив [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). Перечислите экземпляры блоков в `block_classes`, а их соответствующие имена — в `block_names`. Блоки выполняются в том порядке, в котором они указаны в `block_classes`, а данные передаются от одного блока к следующему через [PipelineState](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState). | |
| ```py | |
| class ImageProcessingStep(SequentialPipelineBlocks): | |
| """ | |
| # auto_docstring | |
| """ | |
| model_name = "my_model" | |
| block_classes = [InputBlock(), ImageEncoderBlock()] | |
| block_names = ["input", "image_encoder"] | |
| @property | |
| def description(self): | |
| return ( | |
| "Process text prompts and images for the pipeline. It:\n" | |
| " - Determines the batch size from the prompts.\n" | |
| " - Encodes the image into latent space." | |
| ) | |
| ``` | |
| При создании [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ru/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) свойства, такие как `inputs`, `intermediate_outputs` и `expected_components`, автоматически агрегируются из подблоков, поэтому их не нужно определять повторно. | |
| Есть несколько свойств, которые вы должны задать: | |
| - `description`: Мы рекомендуем добавить описание для собранного блока, чтобы объяснить, что делает объединённый шаг. | |
| - `model_name`: Это значение выводится автоматически из подблоков, но не всегда является корректным, поэтому может потребоваться его переопределение. | |
| - `outputs`: по умолчанию совпадает с `intermediate_outputs`, но можно задать вручную, чтобы контролировать, какие значения отображаются в документации. Это полезно, если нужно показать только итоговые результаты, а не все промежуточные значения. | |
| Эти свойства, вместе с агрегированными `inputs`, `intermediate_outputs` и `expected_components`, используются для автоматической генерации свойства `doc`. | |
| Выведите блок `ImageProcessingStep`, чтобы просмотреть его подблоки, и используйте `doc` для полного обзора входных и выходных данных блока, а также его компонентов. | |
| ```py | |
| blocks = ImageProcessingStep() | |
| print(blocks) | |
| print(blocks.doc) | |
| ``` | |
Xet Storage Details
- Size:
- 6.79 kB
- Xet hash:
- 93e00bf356123122e6f76832ebb62be5c3703a2ddbdf7c7e08a5de80107ea40f
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.