Hugging Face's logo

Diffusers documentation

ConsistencyDecoderScheduler

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.42.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

ConsistencyDecoderScheduler

이 스케줄러는 ConsistencyDecoderPipeline의 일부이며 DALL-E 3에서 도입되었습니다.

원본 코드베이스는 openai/consistency_models에서 찾을 수 있습니다.

ConsistencyDecoderScheduler

class diffusers.schedulers.ConsistencyDecoderScheduler

< >

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

매개변수

  • num_train_timesteps (int, 선택 사항, 기본값 1024) — 모델을 학습할 때 사용할 diffusion 단계 수입니다.
  • sigma_data (float, 선택 사항, 기본값 0.5) — 데이터 분포의 표준 편차입니다. 스킵 및 출력 스케일링 계수를 계산하는 데 사용됩니다.

Stable Diffusion 파이프라인에서 사용되는 consistency decoder용 스케줄러입니다.

이 스케줄러는 잠재 표현을 이미지로 디코딩하기 위해 일관성 모델을 사용하여 2단계 디노이징 과정을 구현합니다.

이 모델은 SchedulerMixin과 ConfigMixin을 상속합니다. 로딩 및 저장과 같은 모든 스케줄러에 대해 라이브러리가 구현하는 일반적 메서드에 대해서는 상위 클래스 문서를 확인하세요.

scale_model_input

< >

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

매개변수

  • sample (torch.Tensor) — 입력 샘플입니다.
  • timestep (int, 선택 사항) — 확산 체인에서의 현재 timestep입니다.

반환값

torch.Tensor

스케일된 입력 샘플.

현재 timestep에 따라 denoising 모델 입력을 scale해야 하는 scheduler와의 호환성을 보장합니다.

단계

< >

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

매개변수

  • model_output (torch.Tensor) — 학습된 diffusion 모델의 직접적인 출력입니다.
  • timestep (float 또는 torch.Tensor) — 확산 체인에서의 현재 timestep입니다.
  • sample (torch.Tensor) — 확산 과정에 의해 생성된 샘플의 현재 인스턴스입니다.
  • generator (torch.Generator, 선택 사항) — 재현성을 위한 난수 생성기입니다.
  • return_dict (bool, 선택 사항, 기본값 True) — ConsistencyDecoderSchedulerOutput 또는 tuple을 반환할지 여부.

반환값

ConsistencyDecoderSchedulerOutput 또는 tuple

return_dict가 True인 경우 ConsistencyDecoderSchedulerOutput가 반환되고, 그렇지 않으면 첫 번째 요소가 샘플 텐서인 튜플이 반환됩니다.

이전 시간 단계의 샘플을 SDE를 역방향으로 적용하여 예측합니다. 이 함수는 학습된 모델의 출력(대부분 예측된 노이즈)으로부터 확산 과정을 전파합니다.

Update on GitHub

←CogVideoXDPMScheduler CosineDPMSolverMultistepScheduler→