Diffusers documentation
LMSDiscreteScheduler
Mulai
Inferensi
Menggunakan pipeline difusi
Adaptor dan personalisasi
Optimalkan dan skalakan
Performa dasar
Kecepatan dan memori
Inferensi terdistribusi
Kuantisasi
Akselerasi spesifik perangkat keras
Metode komunitas
Modular Diffusers
Pelatihan dan penyesuaian halus
Sumber daya
Kontribusi
API
Kelas Utama
Modular
Loader
Model
Pipelines
Penjadwal
RingkasanBlockRefinementSchedulerCMStochasticIterativeSchedulerCogVideoXDDIMSchedulerCogVideoXDPMSchedulerConsistencyDecoderSchedulerCosineDPMSolverMultistepSchedulerDDIMInverseSchedulerDDIMSchedulerDDPMSchedulerDEISMultistepSchedulerDiscreteDDIMSchedulerDPMSolverMultistepInverseDPMSolverMultistepSchedulerDPMSolverSDESchedulerDPMSolverSinglestepSchedulerEDMDPMSolverMultistepSchedulerEDMEulerSchedulerEntropyBoundSchedulerEulerAncestralDiscreteSchedulerEulerDiscreteSchedulerFlowMapEulerDiscreteSchedulerFlowMatchEulerDiscreteSchedulerFlowMatchHeunDiscreteSchedulerHeliosDMDSchedulerHeliosSchedulerHeunDiscreteSchedulerIPNDMSchedulerKDPM2AncestralDiscreteSchedulerKDPM2DiscreteSchedulerLCMSchedulerLMSDiscreteSchedulerMiniMaxH3SchedulerPiflowSchedulerPNDMSchedulerRePaintSchedulerRFD4ProteinaSchedulerScoreSdeVeSchedulerTCDSchedulerUniPCMultistepSchedulerVQDiffusionScheduler
Kelas internal
LMSDiscreteScheduler
LMSDiscreteScheduler adalah penjadwal multistep linear untuk jadwal beta diskrit. Penjadwal ini dipindahkan dan dibuat oleh Katherine Crowson, dan implementasi aslinya dapat ditemukan di crowsonkb/k-diffusion.
LMSDiscreteScheduler
LMSDiscreteSchedulerOutput
kelas diffusers.schedulers.scheduling_lms_discrete.LMSDiscreteSchedulerOutput
< source >( prev_sample: Tensorpred_original_sample: typing.Optional[torch.Tensor] = None )
Parameter
- prev_sample (
torch.Tensordengan bentuk(batch_size, num_channels, height, width)untuk gambar) — Contoh yang dihitung(x_{t-1})dari langkah waktu sebelumnya.prev_sampleharus digunakan sebagai input model berikutnya dalam loop denoising. - pred_original_sample (
torch.Tensordengan bentuk(batch_size, num_channels, height, width)untuk gambar) — Sampel denoised yang diprediksi(x_{0})berdasarkan output model dari timestep saat ini.pred_original_sampledapat digunakan untuk pratinjau progres atau untuk guidance.
Kelas output untuk output fungsi step penjadwal.