Hugging Face's logo

Diffusers documentation

CogVideoXDPMScheduler

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

CogVideoXDPMScheduler

CogVideoXDPMScheduler, DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps ve DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models makalelerine dayanmaktadır ve özellikle CogVideoX modelleri için tasarlanmıştır.

CogVideoXDPMScheduler

sınıf diffusers.CogVideoXDPMScheduler

< >

( num_train_timesteps: int = 1000beta_start: float = 0.00085beta_end: float = 0.012beta_schedule: typing.Literal['linear', 'scaled_linear', 'squaredcos_cap_v2'] = 'scaled_linear'trained_betas: numpy.ndarray | list[float] | None = Noneclip_sample: bool = Trueset_alpha_to_one: bool = Truesteps_offset: int = 0prediction_type: typing.Literal['epsilon', 'sample', 'v_prediction'] = 'epsilon'clip_sample_range: float = 1.0sample_max_value: float = 1.0timestep_spacing: typing.Literal['leading', 'linspace', 'trailing'] = 'leading'rescale_betas_zero_snr: bool = Falsesnr_shift_scale: float = 3.0 )

Parametreler

  • num_train_timesteps (int, varsayılan 1000) — Modelin eğitileceği difüzyon adım sayısı.
  • beta_start (float, varsayılan 0.0001) — Çıkarımın başlangıç beta değeri.
  • beta_end (float, varsayılan 0.02) — Son beta değeri.
  • beta_schedule (str, varsayılan "linear") — Beta zamanlaması, modelin adım atması için beta aralığını beta dizisine eşleyen bir haritadır. Seçenekler: linear, scaled_linear veya squaredcos_cap_v2.
  • trained_betas (np.ndarray, isteğe bağlı) — Betalar dizisini doğrudan yapılandırıcıya ileterek beta_start ve beta_end parametrelerini atlayın.
  • clip_sample (bool, varsayılan True) — Sayısal kararlılık için tahmin edilen örneği kırpın.
  • clip_sample_range (float, varsayılan 1.0) — Örnek kırpma için maksimum büyüklük. Yalnızca clip_sample=True olduğunda geçerlidir.
  • set_alpha_to_one (bool, varsayılan True) — Her difüzyon adımı, o adımdaki ve bir önceki adımdaki alfa çarpım değerini kullanır. Son adım için bir önceki alfa yoktur. Bu seçenek True olduğunda bir önceki alfa çarpımı 1 olarak sabitlenir, aksi halde 0. adımdaki alfa değeri kullanılır.
  • steps_offset (int, varsayılan 0) — Bazı model ailelerinin gerektirdiği gibi, çıkarım adımlarına eklenen bir ofset.
  • prediction_type (str, defaults to epsilon, optional) — Prediction type of the scheduler function; can be epsilon (predicts the noise of the diffusion process), sample (directly predicts the noisy sample) or v_prediction` (see section 2.4 of Imagen Video paper).
  • thresholding (bool, varsayılan False) — “Dinamik eşikleme” yönteminin kullanılıp kullanılmayacağı. Bu, Stable Diffusion gibi gizli uzay difüzyon modelleri için uygun değildir.
  • dynamic_thresholding_ratio (float, varsayılan 0.995) — Dinik eşikleme yöntemi için oran. Yalnızca thresholding=True olduğunda geçerlidir.
  • sample_max_value (float, varsayılan 1.0) — Dinik eşikleme için eşik değeri. Yalnızca thresholding=True olduğunda geçerlidir.
  • timestep_spacing (str, varsayılan "leading") — Zaman adımlarının ölçeklendirme yöntemi. Daha fazla bilgi için Common Diffusion Noise Schedules and Sample Steps are Flawed makalesindeki Tablo 2'ye bakın. leading, linspace veya trailing seçeneklerinden birini seçin.
  • rescale_betas_zero_snr (bool, varsayılan False) — Betalara sıfır son SNR değerine sahip olacak şekilde yeniden ölçeklendirme uygulanıp uygulanmayacağı. Bu, modelin orta parlaklıktaki örneklerle sınırlı kalmak yerine çok parlak ve çok karanlık örnekler üretmesini sağlar. --offset_noise ile gevşek bir şekilde ilişkilidir.
  • snr_shift_scale (float, varsayılan 3.0) — SNR için kaydırma ölçeği.

DDIMScheduler, gürültü azaltma difüzyon olasılıksal modellerinde (DDPM) tanıtılan gürültü azaltma işlemini, Markov olmayan yönlendirme ile genişletir.

Bu model SchedulerMixin ve ConfigMixin sınıflarından devralır. Kütüphanenin tüm zamanlayıcılar için yükleme ve kaydetme gibi genel yöntemleri uyguladığı üst sınıf belgelendirmesini kontrol edin.

add_noise

< >

( original_samples: Tensornoise: Tensortimesteps: IntTensor ) → torch.Tensor

Parametreler

  • original_samples (torch.Tensor) — Gürültü eklenecek orijinal örnekler.
  • noise (torch.Tensor) — Örneklere eklenecek gürültü.
  • timesteps (torch.IntTensor) — Her örnek için gürültü seviyesini gösteren zaman adımları.

Dönüş değeri

torch.Tensor

Gürültülü örnekler.

Her zaman adımındaki gürültü büyüklüğüne göre orijinal örneklerin gürültü ekleyin (bu, ileri difüzyon sürecidir).

get_mult

< >

( h: Tensorr: Tensoralpha_prod_t: Tensoralpha_prod_t_prev: Tensoralpha_prod_t_back: typing.Optional[torch.Tensor] = None ) → tuple

Parametreler

  • h (torch.Tensor) — Log-SNR farkı.
  • r (torch.Tensor) — Log-SNR farklarının oranı.
  • alpha_prod_t (torch.Tensor) — Güncel zaman adımındaki alfa değerlerinin kümülatif çarpımı.
  • alpha_prod_t_prev (torch.Tensor) — Önceki zaman adımındaki alfa değerlerinin kümülatif çarpımı.
  • alpha_prod_t_back (torch.Tensor, isteğe bağlı) — Bir önceki zaman adımından önceki zaman adımındaki alfa değerlerinin kümülatif çarpımı.

Dönüş değeri

tuple

Çarpanları içeren bir demet (tuple).

Önceki örnek ve tahmin edilen orijinal örnek için çarpanları hesaplayın.

get_variables

< >

( alpha_prod_t: Tensoralpha_prod_t_prev: Tensoralpha_prod_t_back: typing.Optional[torch.Tensor] = None ) → tuple

Parametreler

  • alpha_prod_t (torch.Tensor) — Güncel zaman adımındaki alfa değerlerinin kümülatif çarpımı.
  • alpha_prod_t_prev (torch.Tensor) — Önceki zaman adımındaki alfa değerlerinin kümülatif çarpımı.
  • alpha_prod_t_back (torch.Tensor, isteğe bağlı) — Bir önceki zaman adımından önceki zaman adımındaki alfa değerlerinin kümülatif çarpımı.

Dönüş değeri

tuple

h, r, lamb, lamb_next değişkenlerini içeren bir demet (tuple).

Orijinal uygulamaya atıfta bulunarak DPM-Solver++ (2M) için kullanılan değişkenleri hesaplayın.

get_velocity

< >

( sample: Tensornoise: Tensortimesteps: IntTensor ) → torch.Tensor

Parametreler

  • sample (torch.Tensor) — Girdi örneği.
  • noise (torch.Tensor) — Gürültü tensörü.
  • timesteps (torch.IntTensor) — Hız hesaplama için zaman adımları.

Dönüş değeri

torch.Tensor

Hesaplanan hız.

Hız formülüne göre örnek ve gürültüden hız tahminini hesaplayın.

scale_model_input

< >

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

Parametreler

  • sample (torch.Tensor) — Girdi örneği.
  • timestep (int, isteğe bağlı) — Difüzyon zincirindeki mevcut zaman adımı.

Dönüş değeri

torch.Tensor

Ölçeklendirilmiş bir girdi örneği.

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

set_timesteps

< >

( num_inference_steps: intdevice: typing.Union[str, torch.device, NoneType] = None )

Parametreler

  • num_inference_steps (int) — Önceden eğitilmiş bir modelle örnekler oluşturulurken kullanılan difüzyon adım sayısı.
  • device (str veya torch.device, isteğe bağlı) — Timestep'lerin taşınacağı cihaz. None (varsayılan) ise timestep'ler taşınmaz.

Difüzyon zinciri için kullanılan ayrık zaman adımlarını ayarlar (çalıştırılmadan önce çıkarım yapılmalıdır).

adım

< >

( model_output: Tensorold_pred_original_sample: Tensortimestep: inttimestep_back: intsample: Tensoreta: float = 0.0use_clipped_model_output: bool = Falsegenerator: typing.Optional[torch.Generator] = Nonevariance_noise: typing.Optional[torch.Tensor] = Nonereturn_dict: bool = False ) → DDIMSchedulerOutput or tuple

Parametreler

  • model_output (torch.Tensor) — Öğrenen difüzyon modelinden gelen doğrudan çıktı.
  • old_pred_original_sample (torch.Tensor) — Önceki zaman adımından tahmin edilen orijinal örnek.
  • timestep (int) — Difüzyon zincirindeki mevcut ayrık zaman adımı.
  • timestep_back (int) — Geriye bakılacak zaman adımı.
  • sample (torch.Tensor) — Difüzyon süreci tarafından oluşturulan bir örneğin mevcut bir örneği.
  • eta (float) — Difüzyon adımında eklenen gürültünün ağırlığı.
  • use_clipped_model_output (bool, varsayılan False) — True ise, kırpılmış tahmini orijinal örnekten “düzeltilmiş” model_output hesaplanır. self.config.clip_sample True olduğunda tahmini orijinal örnek [-1, 1] aralığına kırpıldığı için bu işlem gereklidir. Kırpma işlemi gerçekleşmediyse, “düzeltilmiş” model_output girdi olarak sağlananla aynı olur ve use_clipped_model_output herhangi bir etkiye sahip değildir.
  • generator (torch.Generator, isteğe bağlı) — Rastgele sayı üreteci.
  • variance_noise (torch.Tensor) — Varyans için gürültüyü doğrudan sağlayarak generator ile gürültü üretmenin alternatifi. CycleDiffusion gibi yöntemler için faydalıdır.
  • return_dict (bool, isteğe bağlı, varsayılan True) — DDIMSchedulerOutput veya tuple döndürülüp döndürülmemeye karar verir.

Dönüş değeri

DDIMSchedulerOutput veya tuple

return_dict True ise DDIMSchedulerOutput döndürülür, aksi halde ilk öğesi örnek tensörü olan bir tuple döndürülür.

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

Update on GitHub

←CogVideoXDDIMScheduler ConsistencyDecoderScheduler→