Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

2 days ago

preview code

download

raw

15.5 kB

# Планировщики

Планировщик определяет, сколько шума следует удалить на каждом шаге цикла денойзинга. Различные планировщики предлагают разный баланс между скоростью и качеством.

В этом руководстве показано, как загрузить планировщик и настроить его расписание шагов по времени, интервалы и сигмы.

## Выбор планировщика

Начните с контрольной точки по умолчанию. Заменяйте её только в том случае, если вам нужен иной баланс между скоростью и качеством.

- DPM++ 2M SDE Karras — это универсальный вариант, хорошо подходящий для многих контрольных точек латентных диффузионных моделей.
- [TCDScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/tcd#diffusers.TCDScheduler) хорошо работает для дистиллированных моделей.
- Используйте [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) или [FlowMatchHeunDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_heun_discrete#diffusers.FlowMatchHeunDiscreteScheduler) для моделей FlowMatch (Qwen-Image, Flux и аналогичные).
- [EulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/euler#diffusers.EulerDiscreteScheduler) или [EulerAncestralDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/euler_ancestral#diffusers.EulerAncestralDiscreteScheduler) часто хорошо работают для изображений в аниме-стиле.
- [LCMScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/lcm#diffusers.LCMScheduler) с LCM UNet или LoRA для генерации за несколько шагов, если чекпоинт это поддерживает.

## Загрузка планировщиков

> [!TIP]
> Модели flow-matching, такие как Qwen-Image и Flux, по умолчанию поставляются с [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler). Оставляйте этот планировщик, если вы не целенаправленно проводите эксперименты. Заменяйте его с помощью [from_config()](/docs/diffusers/v0.43.0/ru/api/configuration#diffusers.ConfigMixin.from_config) только в том случае, если замена совместима с контрольной точкой.

Планировщики содержат только конфигурацию и не поставляются с тензорами весов. Чтобы просмотреть загруженную конфигурацию, обратитесь к атрибуту `.scheduler` конвейера.

```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
```

Чтобы заменить планировщик в загруженном конвейере, используйте [from_config()](/docs/diffusers/v0.43.0/ru/api/configuration#diffusers.ConfigMixin.from_config) с существующей конфигурацией планировщика, чтобы `num_train_timesteps` и связанные поля оставались согласованными. Для контрольных точек FlowMatch (Qwen-Image, Flux и аналогичные) сохраняйте [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler), если вы не намеренно экспериментируете с совместимой заменой.

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

Вы также можете загрузить конфигурацию планировщика из Hub с помощью [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained) и передать её в [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) через `scheduler`.

```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
```

## Расписания шагов

Параметр Timestep или расписание шума определяет, как шум распределяется в процессе устранения шума. Расписание может быть линейным или более сконцентрированным в начале или в конце. Это заранее вычисленная последовательность уровней шума, генерируемая из конфигурации по умолчанию планировщика, но её можно настроить для использования других расписаний.

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

> [!TIP]
> Пользовательские `timesteps` работают только в том случае, если метод `set_timesteps` данного планировщика принимает этот аргумент (пайплайны проверяют сигнатуру через `retrieve_timesteps` и в противном случае выбрасывают `ValueError`). Перед передачей этих значений проверьте страницу API планировщика или сигнатуру `set_timesteps`.
Приведённый ниже пример использует расписание [Align Your Steps (AYS)](https://research.nvidia.com/labs/toronto-ai/AlignYourSteps/), которое позволяет генерировать изображение высокого качества за 10 шагов, что значительно ускоряет процесс генерации и сокращает время вычислений.
Импортируйте расписание и передайте его в аргумент `timesteps` в пайплайне.
```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 расписание шагов 10 шагов
  
  
    
    Линейная шкала временных шагов, 10 шагов
  
  
    
    Линейная шкала временных шагов, 25 шагов
  
Для v-prediction/zero-SNR rescaling на старых чекпоинтах см. [Legacy checkpoints](./legacy_checkpoints#rescaling-schedules).

## Расстояние между шагами

Расстояния между шагами (timestep spacing) указывают на конкретные шаги *t*, из которых выполняется выборка по расписанию. Diffusers предоставляет три типа расстояний, показанные ниже.

| стратегия интервалов | расчёт интервала | примеры шагов |
|---|---|---|
| `leading` | шаги с равным интервалом | `[900, 800, 700, ..., 100, 0]` |
| `linspace` | включите первый и последний шаги и равномерно распределите оставшиеся промежуточные шаги | `[1000, 888.89, 777.78, ..., 111.11, 0]` |
| `trailing` | включите последний шаг и равномерно распределите оставшиеся промежуточные шаги, начиная с конца | `[999, 899, 799, 699, 599, 499, 399, 299, 199, 99]` |

Передайте стратегию интервала в аргумент `timestep_spacing` планировщика.

> [!TIP]
> Стратегия `trailing` обычно позволяет получать изображения более высокого качества с большим количеством деталей за меньшее число шагов, однако разница в качестве не так очевидна при более стандартных значениях числа шагов.

```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
```

  
    
    отступ в конце после 5 шагов
  
  
    
    отступ перед текстом после 5 шагов
  
## Сигмы

Sigmas — это мера того, насколько шумным является образец на определённом шаге, как это определено расписанием. При использовании пользовательских `sigmas` значения `timesteps` вычисляются на основе этих величин, а не по конфигурации планировщика по умолчанию.

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

> [!TIP]
> Пользовательские `sigmas` работают только в том случае, если метод `set_timesteps` данного планировщика принимает этот аргумент (пайплайны проверяют сигнатуру через `retrieve_timesteps` и в противном случае выбрасывают `ValueError`). Перед передачей этих значений проверьте страницу API планировщика или сигнатуру `set_timesteps`.
Передайте пользовательские сигмы в аргумент `sigmas` пайплайна. В примере ниже используются [sigmas](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py) из 10-шагового расписания AYS.
```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]
```
### Сигмы Карраса

[Karras sigmas](https://huggingface.co/papers/2206.00364) пересчитывает расписание шума для более эффективного сэмплирования, сгущая сигмы в средней части последовательности, где критично восстановление структуры, и используя меньше сигм в начале и в конце, где изменения шума оказывают меньшее влияние. Это может повысить уровень детализации в сгенерированном изображении.

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

Установите `use_karras_sigmas=True` в планировщике, чтобы включить эту функцию.

```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]
```

  
    
    Включены сигмы Карраса
  
  
    
    Сигмы Карраса отключены
  
Список планировщиков, поддерживающих Karras sigmas, приведён в [обзоре](../api/schedulers/overview) API планировщиков. Использовать их следует только для моделей, обученных с Karras sigmas.

## Дальнейшие шаги

- Подробнее о перемасштабировании расписания шума для обеспечения нулевого SNR читайте в статье [Общие расписания шума диффузии и шаги выборки имеют недостатки](https://huggingface.co/papers/2305.08891).

Xet Storage Details

Size:: 15.5 kB
Xet hash:: 58f847bdfff68ab3d7c913cd1856e1124bba5e62e2fa6aec5e0be73414cbb44f

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

	# Планировщики

	Планировщик определяет, сколько шума следует удалить на каждом шаге цикла денойзинга. Различные планировщики предлагают разный баланс между скоростью и качеством.

	В этом руководстве показано, как загрузить планировщик и настроить его расписание шагов по времени, интервалы и сигмы.

	## Выбор планировщика

	Начните с контрольной точки по умолчанию. Заменяйте её только в том случае, если вам нужен иной баланс между скоростью и качеством.

	- DPM++ 2M SDE Karras — это универсальный вариант, хорошо подходящий для многих контрольных точек латентных диффузионных моделей.
	- [TCDScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/tcd#diffusers.TCDScheduler) хорошо работает для дистиллированных моделей.
	- Используйте [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) или [FlowMatchHeunDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_heun_discrete#diffusers.FlowMatchHeunDiscreteScheduler) для моделей FlowMatch (Qwen-Image, Flux и аналогичные).
	- [EulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/euler#diffusers.EulerDiscreteScheduler) или [EulerAncestralDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/euler_ancestral#diffusers.EulerAncestralDiscreteScheduler) часто хорошо работают для изображений в аниме-стиле.
	- [LCMScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/lcm#diffusers.LCMScheduler) с LCM UNet или LoRA для генерации за несколько шагов, если чекпоинт это поддерживает.

	## Загрузка планировщиков

	> [!TIP]
	> Модели flow-matching, такие как Qwen-Image и Flux, по умолчанию поставляются с [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler). Оставляйте этот планировщик, если вы не целенаправленно проводите эксперименты. Заменяйте его с помощью [from_config()](/docs/diffusers/v0.43.0/ru/api/configuration#diffusers.ConfigMixin.from_config) только в том случае, если замена совместима с контрольной точкой.

	Планировщики содержат только конфигурацию и не поставляются с тензорами весов. Чтобы просмотреть загруженную конфигурацию, обратитесь к атрибуту `.scheduler` конвейера.

	```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
	```

	Чтобы заменить планировщик в загруженном конвейере, используйте [from_config()](/docs/diffusers/v0.43.0/ru/api/configuration#diffusers.ConfigMixin.from_config) с существующей конфигурацией планировщика, чтобы `num_train_timesteps` и связанные поля оставались согласованными. Для контрольных точек FlowMatch (Qwen-Image, Flux и аналогичные) сохраняйте [FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ru/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler), если вы не намеренно экспериментируете с совместимой заменой.

	```py
	from diffusers import DPMSolverMultistepScheduler

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

	Вы также можете загрузить конфигурацию планировщика из Hub с помощью [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/schedulers/overview#diffusers.SchedulerMixin.from_pretrained) и передать её в [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) через `scheduler`.

	```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
	```

	## Расписания шагов

	Параметр Timestep или расписание шума определяет, как шум распределяется в процессе устранения шума. Расписание может быть линейным или более сконцентрированным в начале или в конце. Это заранее вычисленная последовательность уровней шума, генерируемая из конфигурации по умолчанию планировщика, но её можно настроить для использования других расписаний.

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

	> [!TIP]
	> Пользовательские `timesteps` работают только в том случае, если метод `set_timesteps` данного планировщика принимает этот аргумент (пайплайны проверяют сигнатуру через `retrieve_timesteps` и в противном случае выбрасывают `ValueError`). Перед передачей этих значений проверьте страницу API планировщика или сигнатуру `set_timesteps`.

	Приведённый ниже пример использует расписание [Align Your Steps (AYS)](https://research.nvidia.com/labs/toronto-ai/AlignYourSteps/), которое позволяет генерировать изображение высокого качества за 10 шагов, что значительно ускоряет процесс генерации и сокращает время вычислений.

	Импортируйте расписание и передайте его в аргумент `timesteps` в пайплайне.

	```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 расписание шагов 10 шагов



	Линейная шкала временных шагов, 10 шагов



	Линейная шкала временных шагов, 25 шагов


	Для v-prediction/zero-SNR rescaling на старых чекпоинтах см. [Legacy checkpoints](./legacy_checkpoints#rescaling-schedules).

	## Расстояние между шагами

	Расстояния между шагами (timestep spacing) указывают на конкретные шаги t, из которых выполняется выборка по расписанию. Diffusers предоставляет три типа расстояний, показанные ниже.

	\| стратегия интервалов \| расчёт интервала \| примеры шагов \|
	\|---\|---\|---\|
	\| `leading` \| шаги с равным интервалом \| `[900, 800, 700, ..., 100, 0]` \|
	\| `linspace` \| включите первый и последний шаги и равномерно распределите оставшиеся промежуточные шаги \| `[1000, 888.89, 777.78, ..., 111.11, 0]` \|
	\| `trailing` \| включите последний шаг и равномерно распределите оставшиеся промежуточные шаги, начиная с конца \| `[999, 899, 799, 699, 599, 499, 399, 299, 199, 99]` \|

	Передайте стратегию интервала в аргумент `timestep_spacing` планировщика.

	> [!TIP]
	> Стратегия `trailing` обычно позволяет получать изображения более высокого качества с большим количеством деталей за меньшее число шагов, однако разница в качестве не так очевидна при более стандартных значениях числа шагов.

	```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
	```



	отступ в конце после 5 шагов



	отступ перед текстом после 5 шагов


	## Сигмы

	Sigmas — это мера того, насколько шумным является образец на определённом шаге, как это определено расписанием. При использовании пользовательских `sigmas` значения `timesteps` вычисляются на основе этих величин, а не по конфигурации планировщика по умолчанию.

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

	> [!TIP]
	> Пользовательские `sigmas` работают только в том случае, если метод `set_timesteps` данного планировщика принимает этот аргумент (пайплайны проверяют сигнатуру через `retrieve_timesteps` и в противном случае выбрасывают `ValueError`). Перед передачей этих значений проверьте страницу API планировщика или сигнатуру `set_timesteps`.

	Передайте пользовательские сигмы в аргумент `sigmas` пайплайна. В примере ниже используются [sigmas](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_utils.py) из 10-шагового расписания AYS.

	```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]
	```

	### Сигмы Карраса

	[Karras sigmas](https://huggingface.co/papers/2206.00364) пересчитывает расписание шума для более эффективного сэмплирования, сгущая сигмы в средней части последовательности, где критично восстановление структуры, и используя меньше сигм в начале и в конце, где изменения шума оказывают меньшее влияние. Это может повысить уровень детализации в сгенерированном изображении.

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

	Установите `use_karras_sigmas=True` в планировщике, чтобы включить эту функцию.

	```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]
	```



	Включены сигмы Карраса



	Сигмы Карраса отключены


	Список планировщиков, поддерживающих Karras sigmas, приведён в [обзоре](../api/schedulers/overview) API планировщиков. Использовать их следует только для моделей, обученных с Karras sigmas.

	## Дальнейшие шаги

	- Подробнее о перемасштабировании расписания шума для обеспечения нулевого SNR читайте в статье [Общие расписания шума диффузии и шаги выборки имеют недостатки](https://huggingface.co/papers/2305.08891).