Hugging Face's logo

Diffusers documentation

FlowMatchHeunDiscreteScheduler

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

FlowMatchHeunDiscreteScheduler

FlowMatchHeunDiscreteScheduler é baseado na amostragem por flow-matching introduzida em EDM.

FlowMatchHeunDiscreteScheduler

classe diffusers.FlowMatchHeunDiscreteScheduler

< >

( num_train_timesteps: int = 1000shift: float = 1.0 )

Parâmetros

  • num_train_timesteps (int, padrão 1000) — O número de etapas de difusão para treinar o modelo.
  • shift (float, padrão 1.0) — O valor de deslocamento para o agendamento de passos de tempo.

Agendador Heun.

Este modelo herda de SchedulerMixin e ConfigMixin. Consulte a documentação da superclasse para os métodos genéricos que a biblioteca implementa para todos os agendadores, como carregamento e salvamento.

index_for_timestep

< >

( timestep: typing.Union[float, torch.FloatTensor]schedule_timesteps: typing.Optional[torch.FloatTensor] = None ) → int

Parâmetros

  • timestep (float ou torch.FloatTensor) — O valor de timestep a ser encontrado no agendamento.
  • schedule_timesteps (torch.FloatTensor, opcional) — O agendamento de timesteps a ser pesquisado. Se None, usa self.timesteps.

Retorna

int

O índice do timestep no agendamento.

Encontre o índice de um timestep específico na agenda de timesteps.

scale_noise

< >

( sample: FloatTensortimestep: typing.Union[float, torch.FloatTensor]noise: FloatTensor ) → torch.FloatTensor

Parâmetros

  • sample (torch.FloatTensor) — A amostra de entrada.
  • timestep (float ou torch.FloatTensor) — O timestep atual na cadeia de difusão.
  • noise (torch.FloatTensor) — O tensor de ruído.

Retorna

torch.FloatTensor

Uma amostra de entrada escalada.

Processo de propagação no flow-matching

set_begin_index

< >

( begin_index: int = 0 )

Parâmetros

  • begin_index (int, padrão 0) — 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: intdevice: typing.Union[str, torch.device] = None )

Parâmetros

  • num_inference_steps (int) — O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado.
  • device (str ou torch.device, opcional) — O dispositivo para o qual os timesteps devem ser movidos. Se None, os timesteps não são movidos.

Define os passos discretos usados para a cadeia de difusão (a ser executado antes da inferência).

etapa

< >

( model_output: FloatTensortimestep: typing.Union[float, torch.FloatTensor]sample: FloatTensors_churn: float = 0.0s_tmin: float = 0.0s_tmax: float = infs_noise: float = 1.0generator: typing.Optional[torch.Generator] = Nonereturn_dict: bool = True ) → FlowMatchHeunDiscreteSchedulerOutput or tuple

Parâmetros

  • model_output (torch.FloatTensor) — A saída direta do modelo de difusão aprendido.
  • timestep (float ou torch.FloatTensor) — O timestep discreto atual na cadeia de difusão.
  • sample (torch.FloatTensor) — Uma instância atual de uma amostra criada pelo processo de difusão.
  • s_churn (float) — Parâmetro de estocasticidade que controla a quantidade de ruído adicionada durante a amostragem. Valores maiores aumentam a aleatoriedade.
  • s_tmin (float) — Limite mínimo de timestep para aplicar estocasticidade. Somente timesteps acima desse valor terão ruído adicionado.
  • s_tmax (float) — Limite máximo de timestep para aplicar estocasticidade. Somente timesteps abaixo desse valor terão ruído adicionado.
  • s_noise (float, padrão 1.0) — Fator de escala para o ruído adicionado à amostra.
  • generator (torch.Generator, opcional) — Um gerador de números aleatórios.
  • return_dict (bool) — Se deve ou não retornar uma tupla FlowMatchHeunDiscreteSchedulerOutput.

Retorna

FlowMatchHeunDiscreteSchedulerOutput ou tuple

Se `return_dict` é True, FlowMatchHeunDiscreteSchedulerOutput é retornado, caso contrário, uma tupla é retornada, onde o primeiro elemento é o tensor da amostra.

Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga o processo de difusão a partir das saídas do modelo aprendido (na maioria das vezes, o ruído previsto).

Update on GitHub

←FlowMatchEulerDiscreteScheduler HeliosDMDScheduler→