# ConsistencyDecoderScheduler

Bu zamanlayıcı, `ConsistencyDecoderPipeline`'in bir parçasıdır ve [DALL-E 3](https://openai.com/dall-e-3)'te tanıtılmıştır.

Orijinal kod tabanı [openai/consistency_models](https://github.com/openai/consistency_models) adresinde bulunabilir.

## ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]]

#### diffusers.schedulers.ConsistencyDecoderScheduler[[diffusers.schedulers.ConsistencyDecoderScheduler]]

```python
diffusers.schedulers.ConsistencyDecoderScheduler(num_train_timesteps: int = 1024, sigma_data: float = 0.5)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L80)

**Parametreler:**

num_train_timesteps (`int`, *isteğe bağlı*, varsayılan `1024`) : Modelin eğitileceği difüzyon adım sayısı.

sigma_data (`float`, *isteğe bağlı*, varsayılan `0.5`) : Veri dağılımının standart sapması. Atla ve çıktı ölçekleme katsayılarını hesaplamak için kullanılır.

Stable Diffusion hatlarında kullanılan tutarlılık çözücü için bir zamanlayıcı.

Bu zamanlayıcı, gizli temsilleri görüntülere çözmek için tutarlılık modelleri kullanan iki aşamalı gürültü azaltma süreci uygular.

Bu model [SchedulerMixin](/docs/diffusers/main/tr/api/schedulers/overview#diffusers.SchedulerMixin) ve [ConfigMixin](/docs/diffusers/main/tr/api/configuration#diffusers.ConfigMixin) sınıflarından devralır. Kütüphanenin tüm zamanlayıcılar için yükleme ve kaydetme gibi genel yöntemleri uyguladığı üst sınıf belgelendirmesini kontrol edin.

#### scale_model_input[[diffusers.schedulers.ConsistencyDecoderScheduler.scale_model_input]]

```python
scale_model_input(sample: Tensor, timestep: int | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L148)

**Parametreler:**

sample (`torch.Tensor`) : Girdi örneği.

timestep (`int`, *isteğe bağlı*) : Difüzyon zincirindeki mevcut zaman adımı.

**Dönüş:** `torch.Tensor`

Ölçeklendirilmiş bir girdi örneği.

Gürültüden arındırma modelinin girdisinin mevcut zaman adımına bağlı olarak ölçeklenmesi gereken zamanlayıcılarla değiştirilebilirliği sağlar.

#### adım[[diffusers.schedulers.ConsistencyDecoderScheduler.step]]

```python
step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_consistency_decoder.py#L165)

**Parametreler:**

model_output (`torch.Tensor`) : Öğrenen difüzyon modelinden gelen doğrudan çıktı.

timestep (`float` veya `torch.Tensor`) : Difüzyon zincirindeki mevcut zaman adımı.

sample (`torch.Tensor`) : Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.

generator (`torch.Generator`, *isteğe bağlı*) : Yeniden üretilebilirlik için rastgele sayı üreteci.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : `ConsistencyDecoderSchedulerOutput` veya `tuple` döndürülecek mi?

**Dönüş:** `ConsistencyDecoderSchedulerOutput` veya `tuple`

`return_dict` `True` ise `ConsistencyDecoderSchedulerOutput` döndürülür, aksi takdirde bir tuple döndürülür ve bu tuple'ın ilk öğesi örnek tensörüdür.

Önceki zaman adımındaki örneği SDE'yi tersine çevirerek tahmin edin. Bu işlev, öğrenilen model çıktılarını (en sık tahmin edilen gürültüyü) kullanarak difüzyon sürecini ilerletir.