Üretim için pipeline çağrıldığında tetiklenen işlev.

<<<<<<< HEAD Classifier-Free Diffusion Guidance makalesinde tanımlandığı gibi guidance scale. guidance_scale, Imagen Paper'deki 2. denklemin w parametresi olarak tanımlanır. Guidance scale, guidance_scale > 1 olarak ayarlanarak etkinleştirilir. Daha yüksek guidance scale, prompt ile daha yakından ilişkili görsellerin üretilmesini teşvik eder, ancak bu genellikle daha düşük görsel kalitesi pahasına olur.

negative_prompt ( str or list[str] , isteğe bağlı ):

Sınıflandırıcı-Ücretsiz Difüzyon Rehberliği'nde tanımlandığı gibi rehberlik ölçeği. guidance_scale, Imagen Makalesi'ndeki 2. denklemindeki w olarak tanımlanır. Rehberlik ölçeği, guidance_scale > 1 olarak ayarlanarak etkinleştirilir. Daha yüksek rehberlik ölçeği, genellikle daha düşük görüntü kalitesi pahasına, prompt ile yakından ilişkili görüntülerin üretilmesini teşvik eder. negative_prompt (str veya list[str], isteğe bağlı):

main Görsel üretimini yönlendirmeyecek istem veya istemler. Tanımlanmazsa, bunun yerine negative_prompt_embeds geçirilmelidir. Yönlendirme kullanılmadığında yok sayılır (yani guidance_scale 1'den küçükse yok sayılır). num_images_per_prompt (int, isteğe bağlı, varsayılan 1): İstem başına üretilecek görsel sayısı. generator (torch.Generator veya list[torch.Generator], isteğe bağlı): Üretimi deterministik hale getirmek için bir veya torch generator(ları). latents (torch.FloatTensor, isteğe bağlı): Görsel üretimi için girdi olarak kullanılacak, Gauss dağılımından örneklenen önceden üretilmiş gürültülü latensler. Farklı istemlerle aynı üretimi ince ayar yapmak için kullanılabilir. Sağlanmazsa, sağlanan rastgele generator kullanılarak örneklem alınarak bir latens tensörü oluşturulur. prompt_embeds (torch.FloatTensor, isteğe bağlı): Önceden üretilmiş metin gömme değerleri. Metin girdilerini kolayca ince ayar yapmak için kullanılabilir, ör. istem ağırlıklandırma. Sağlanmazsa, metin gömme değerleri prompt girdi argümanından oluşturulur. negative_prompt_embeds (torch.FloatTensor, isteğe bağlı): Önceden üretilmiş negatif metin gömme değerleri. Metin girdilerini kolayca ince ayar yapmak için kullanılabilir, ör. istem ağırlıklandırma. Sağlanmazsa, negative_prompt_embeds negative_prompt girdi argümanından oluşturulur. output_type (str, isteğe bağlı, varsayılan "pil"): Üretilen görselin çıktı biçimi. PIL: PIL.Image.Image veya np.array arasında seçim yapın. return_dict (bool, isteğe bağlı, varsayılan True): Düz bir demet yerine ~pipelines.bria.BriaPipelineOutput döndürülecek mi. attention_kwargs (dict, isteğe bağlı): Belirtilirse, diffusers.models.attention_processor içindeki self.processor altında tanımlanan AttentionProcessor'a iletilen bir kwargs sözlüğü. callback_on_step_end (Callable, isteğe bağlı): Çıkarım sırasında her gürültü azaltma adımının sonunda çağrılan bir işlev. İşlev aşağıdaki argümanlarla çağrılır: callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict). callback_kwargs, callback_on_step_end_tensor_inputs tarafından belirtilen tüm tensörlerin listesini içerecektir. callback_on_step_end_tensor_inputs (list, isteğe bağlı): callback_on_step_end işlevi için tensör girdileri listesi. Listede belirtilen tensörler callback_kwargs argümanı olarak geçirilecektir. Yalnızca pipeline sınıfınızın ._callback_tensor_inputs özniteliğinde listelenen değişkenleri dahil edebilirsiniz. max_sequence_length (int varsayılan 256): prompt ile kullanılacak maksimum dizi uzunluğu. clip_value (float, isteğe bağlı): Ayarlanırsa, tahmin edilen gürültü her gürültü azaltma adımında [-clip_value, clip_value] aralığına kırpılır. normalize (bool, isteğe bağlı, varsayılan False): Tahmin edilen gürültünün her gürültü azaltma adımında normalize edilecek mi.

>>> import torch
>>> from diffusers import BriaPipeline

>>> pipe = BriaPipeline.from_pretrained("briaai/BRIA-3.2", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
# BRIA's T5 text encoder is sensitive to precision. We need to cast it to bfloat16 and keep the final layer in float32.

>>> pipe.text_encoder = pipe.text_encoder.to(dtype=torch.bfloat16)
>>> for block in pipe.text_encoder.encoder.block:
...     block.layer[-1].DenseReluDense.wo.to(dtype=torch.float32)
# BRIA's VAE is not supported in mixed precision, so we use float32.

>>> if pipe.vae.config.shift_factor == 0:
...     pipe.vae.to(dtype=torch.float32)

>>> prompt = "Photorealistic food photography of a stack of fluffy pancakes on a white plate, with maple syrup being poured over them. On top of the pancakes are the words 'BRIA 3.2' in bold, yellow, 3D letters. The background is dark and out of focus."
>>> image = pipe(prompt).images[0]
>>> image.save("bria.png")