Функция, вызываемая при обращении к конвейеру для генерации.

<<<<<<< HEAD Масштаб направленного генерирования, как определено в Classifier-Free Diffusion Guidance. guidance_scale определяется как w из уравнения 2 статьи Imagen Paper. Масштаб направленного генерирования включается при установке guidance_scale > 1. Более высокое значение масштаба направленного генерирования способствует созданию изображений, тесно связанных с текстовым prompt, обычно за счёт снижения качества изображения.

negative_prompt ( str or list[str] , optional ):

Масштаб управления, как определено в Classifier-Free Diffusion Guidance. guidance_scale определяется как w из уравнения 2. в Imagen Paper. Масштаб управления включается при установке guidance_scale > 1. Более высокий масштаб управления способствует генерации изображений, тесно связанных с текстовым prompt, обычно за счет снижения качества изображения. negative_prompt (str или list[str], необязательный):

main Промпт или промпты, которые не следует использовать для управления генерацией изображения. Если не задано, необходимо передать negative_prompt_embeds. Игнорируется, если управление не используется (то есть игнорируется, если guidance_scale меньше 1). num_images_per_prompt (int, необязательный, по умолчанию 1): Количество изображений, генерируемых для каждого промпта. generator (torch.Generator или list[torch.Generator], необязательный): Один или список генераторов torch для обеспечения детерминированности генерации. latents (torch.FloatTensor, необязательный): Предварительно сгенерированные шумовые латенты, выбранные из гауссова распределения, которые используются в качестве входных данных для генерации изображения. Можно использовать для корректировки одной и той же генерации с разными промптами. Если не предоставлено, тензор латентов будет сгенерирован путем выборки с использованием переданного случайного generator. prompt_embeds (torch.FloatTensor, необязательный): Предварительно сгенерированные текстовые эмбеддинги. Можно использовать для простой корректировки текстовых входных данных, например взвешивания промпта. Если не предоставлено, текстовые эмбеддинги будут сгенерированы из входного аргумента prompt. negative_prompt_embeds (torch.FloatTensor, необязательный): Предварительно сгенерированные отрицательные текстовые эмбеддинги. Можно использовать для простой корректировки текстовых входных данных, например взвешивания промпта. Если не предоставлено, negative_prompt_embeds будут сгенерированы из входного аргумента negative_prompt. output_type (str, необязательный, по умолчанию "pil"): Формат вывода сгенерированного изображения. Выберите между PIL: PIL.Image.Image или np.array. return_dict (bool, необязательный, по умолчанию True): Возвращать ли ~pipelines.bria.BriaPipelineOutput вместо обычного кортежа. attention_kwargs (dict, необязательный): Словарь kwargs, который, если указан, передается в AttentionProcessor, определенный в self.processor в diffusers.models.attention_processor. callback_on_step_end (Callable, необязательный): Функция, вызываемая в конце каждого шага денойзинга во время инференса. Функция вызывается со следующими аргументами: callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict). callback_kwargs будет включать список всех тензоров, указанных в callback_on_step_end_tensor_inputs. callback_on_step_end_tensor_inputs (list, необязательный): Список тензорных входных данных для функции callback_on_step_end. Тензоры, указанные в списке, будут переданы в качестве аргумента callback_kwargs. Вы сможете включать только переменные, перечисленные в атрибуте ._callback_tensor_inputs вашего класса пайплайна. max_sequence_length (int по умолчанию 256): Максимальная длина последовательности для использования с prompt. clip_value (float, необязательный): Если задано, предсказанный шум обрезается до диапазона [-clip_value, clip_value] на каждом шаге денойзинга. normalize (bool, необязательный, по умолчанию False): Нормализовать ли предсказанный шум на каждом шаге денойзинга.

>>> 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")