Hugging Face's logo

Diffusers documentation

HeliosScheduler

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

HeliosScheduler

HeliosScheduler é baseado no amostramento de fluxo-piramidal introduzido em Helios.

HeliosScheduler

classe diffusers.HeliosScheduler

< >

( num_train_timesteps: int = 1000shift: float = 1.0stages: int = 3stage_range: list = [0, 0.3333333333333333, 0.6666666666666666, 1]gamma: float = 0.3333333333333333thresholding: bool = Falseprediction_type: str = 'flow_prediction'solver_order: int = 2predict_x0: bool = Truesolver_type: str = 'bh2'lower_order_final: bool = Truedisable_corrector: list[int] = []solver_p: SchedulerMixin = Noneuse_flow_sigmas: bool = Truescheduler_type: str = 'unipc'use_dynamic_shifting: bool = Falsetime_shift_type: typing.Literal['exponential', 'linear'] = 'exponential' )

convert_model_output

< >

( model_output: Tensor*argssample: Tensor = Nonesigma: Tensor = None**kwargs ) → torch.Tensor

Parâmetros

  • model_output (torch.Tensor) — A saída direta do modelo de difusão aprendido.
  • timestep (int) — O timestep discreto atual na cadeia de difusão.
  • sample (torch.Tensor) — Uma instância atual de uma amostra criada pelo processo de difusão.
  • sigma (torch.Tensor, opcional) — O sigma da etapa atual no agendamento de ruído.

Retorna

torch.Tensor

A saída do modelo convertido.

Converta a saída do modelo para o tipo correspondente necessário pelo algoritmo UniPC.

init_sigmas

< >

( )

inicializar os timesteps e sigmas globais

init_sigmas_for_each_stage

< >

( )

Inicialize os timesteps para cada etapa

multistep_uni_c_bh_update

< >

( this_model_output: Tensor*argslast_sample: Tensor = Nonethis_sample: Tensor = Noneorder: int = Nonesigma_before: Tensor = Nonesigma: Tensor = None**kwargs ) → torch.Tensor

Parâmetros

  • this_model_output (torch.Tensor) — As saídas do modelo em x_t.
  • this_timestep (int) — O timestep atual t.
  • last_sample (torch.Tensor) — A amostra gerada antes do último preditor x_{t-1}.
  • this_sample (torch.Tensor) — A amostra gerada após o último preditor x_{t}.
  • order (int) — O p de UniC-p nesta etapa. A ordem de precisão efetiva deve ser order + 1.
  • sigma_before (torch.Tensor, opcional) — O sigma da etapa anterior no agendamento de ruído.
  • sigma (torch.Tensor, opcional) — O sigma da etapa atual no agendamento de ruído.

Retorna

torch.Tensor

O tensor de amostra corrigido no timestep atual.

Um passo para o UniC (versão B(h)).

multistep_uni_p_bh_update

< >

( model_output: Tensor*argssample: Tensor = Noneorder: int = Nonesigma: Tensor = Nonesigma_next: Tensor = None**kwargs ) → torch.Tensor

Parâmetros

  • model_output (torch.Tensor) — A saída direta do modelo de difusão aprendido no timestep atual.
  • prev_timestep (int) — O passo de tempo discreto anterior na cadeia de difusão.
  • sample (torch.Tensor) — Uma instância atual de uma amostra criada pelo processo de difusão.
  • order (int) — A ordem do UniP neste timestep (corresponde ao p em UniPC-p).
  • sigma (torch.Tensor, opcional) — O sigma da etapa atual no agendamento de ruído.
  • sigma_next (torch.Tensor, opcional) — O sigma do próximo passo no agendamento de ruído.

Retorna

torch.Tensor

O tensor de amostra no passo de tempo anterior.

Um passo para o UniP (versão B(h)). Alternativamente, self.solver_p é usado se especificado.

set_begin_index

< >

( begin_index: int = 0 )

Parâmetros

  • begin_index (int) — O índice inicial do agendador.

Define o índice inicial para o agendador. Esta função deve ser executada a partir do pipeline antes da inferência.

set_timesteps

< >

( num_inference_steps: intstage_index: int | None = Nonedevice: typing.Union[str, torch.device] = Nonesigmas: bool | None = Nonemu: bool | None = Noneis_amplify_first_chunk: bool = False )

Definindo os timesteps e sigmas para cada etapa

time_shift

< >

( mu: floatsigma: floatt: Tensor ) → torch.Tensor

Parâmetros

  • mu (float) — O parâmetro mu para o deslocamento de tempo.
  • sigma (float) — O parâmetro sigma para o deslocamento de tempo.
  • t (torch.Tensor) — Os passos de tempo de entrada.

Retorna

torch.Tensor

Os timesteps deslocados no tempo.

Aplicar o deslocamento temporal aos sigmas.

scheduling_helios

Update on GitHub

←HeliosDMDScheduler HeunDiscreteScheduler→