# Безусловная генерация изображений

Безусловная генерация изображений создаёт картинки, которые выглядят как случайная выборка из обучающих данных, на которых обучалась модель, поскольку процесс денойзинга не направляется каким-либо дополнительным контекстом, таким как текст или изображение.

Для начала используйте [DiffusionPipeline](/docs/diffusers/main/ru/api/pipelines/overview#diffusers.DiffusionPipeline), чтобы загрузить контрольную точку [anton-l/ddpm-butterflies-128](https://huggingface.co/anton-l/ddpm-butterflies-128) и сгенерировать изображения бабочек. [DiffusionPipeline](/docs/diffusers/main/ru/api/pipelines/overview#diffusers.DiffusionPipeline) скачивает и кэширует все компоненты модели, необходимые для генерации изображения.

```py
from diffusers import DiffusionPipeline

generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128").to("cuda")  # or "mps", "xpu", "cpu"
image = generator().images[0]
image
```

> [!TIP]
> Хотите генерировать изображения чего-то другого? Ознакомьтесь с [руководством](../training/unconditional_training) по обучению, чтобы узнать, как обучить модель генерировать собственные изображения.

Выводом является объект [`PIL.Image`](https://pillow.readthedocs.io/en/stable/reference/Image.html?highlight=image#the-image-class), который можно сохранить:

```py
image.save("generated_image.png")
```

Вы также можете поэкспериментировать с параметром `num_inference_steps`, который управляет количеством шагов денойзинга. Как правило, большее число шагов денойзинга приводит к изображению более высокого качества, но генерация займёт больше времени. Не стесняйтесь подбирать значение этого параметра, чтобы оценить его влияние на качество изображения.

```py
image = generator(num_inference_steps=100).images[0]
image
```

Попробуйте Space ниже, чтобы сгенерировать изображение бабочки!

<iframe src="https://stevhliu-unconditional-image-generation.hf.space" frameborder="0" width="850" height="500"
>