Diffusers

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.43.0).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

ConsistencyDecoderScheduler

Este programador forma parte de ConsistencyDecoderPipeline y fue introducido en DALL-E 3.

El código original se puede encontrar en openai/consistency_models.

ConsistencyDecoderScheduler

clase diffusers.schedulers.ConsistencyDecoderScheduler

< source >

( num_train_timesteps: int = 1024sigma_data: float = 0.5 )

Parámetros

num_train_timesteps (int, opcional, valor predeterminado 1024) — El número de pasos de difusión para entrenar el modelo.
sigma_data (float, opcional, valor predeterminado 0.5) — La desviación estándar de la distribución de datos. Se utiliza para calcular los factores de escalado de salto y de salida.

Un programador para el decodificador de consistencia utilizado en las tuberías de Stable Diffusion.

Este programador implementa un proceso de desruido de dos pasos utilizando modelos de consistencia para decodificar representaciones latentes en imágenes.

Este modelo hereda de SchedulerMixin y ConfigMixin. Consulta la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos los programadores, como la carga y el guardado.

scale_model_input

< source >

( sample: Tensortimestep: int | None = None ) → torch.Tensor

Parámetros

sample (torch.Tensor) — La muestra de entrada.
timestep (int, opcional) — El paso de tiempo actual en la cadena de difusión.

Devuelve

torch.Tensor

Una muestra de entrada escalada.

Garantiza la interoperabilidad con los programadores que necesitan escalar la entrada del modelo de desruido en función del paso temporal actual.

paso

< source >

( model_output: Tensortimestep: typing.Union[float, torch.Tensor]sample: Tensorgenerator: typing.Optional[torch.Generator] = Nonereturn_dict: bool = True ) → ConsistencyDecoderSchedulerOutput or tuple

Parámetros

model_output (torch.Tensor) — La salida directa del modelo de difusión aprendido.
timestep (float o torch.Tensor) — El paso de tiempo actual en la cadena de difusión.
sample (torch.Tensor) — Una instancia actual de una muestra creada por el proceso de difusión.
generator (torch.Generator, opcional) — Un generador de números aleatorios para la reproducibilidad.
return_dict (bool, opcional, valor predeterminado True) — Indica si se debe devolver un ConsistencyDecoderSchedulerOutput o una tuple.

Devuelve

ConsistencyDecoderSchedulerOutput o tuple

Si return_dict es True, se devuelve ConsistencyDecoderSchedulerOutput, de lo contrario se devuelve una tupla cuyo primer elemento es el tensor de la muestra.

Predice la muestra del paso de tiempo anterior invirtiendo el SDE. Esta función propaga el proceso de difusión a partir de las salidas del modelo aprendido (con mayor frecuencia, el ruido predicho).

Update on GitHub

←CogVideoXDPMScheduler CosineDPMSolverMultistepScheduler→