Hugging Face's logo

Diffusers documentation

HeliosDMDScheduler

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

HeliosDMDScheduler

HeliosDMDScheduler est basé sur l'échantillonnage par correspondance de flux pyramidale introduit dans Helios.

HeliosDMDScheduler

classe diffusers.HeliosDMDScheduler

< >

( num_train_timesteps: int = 1000shift: float = 1.0stages: int = 3stage_range: list = [0, 0.3333333333333333, 0.6666666666666666, 1]gamma: float = 0.3333333333333333prediction_type: str = 'flow_prediction'use_flow_sigmas: bool = Trueuse_dynamic_shifting: bool = Falsetime_shift_type: typing.Literal['exponential', 'linear'] = 'linear' )

init_sigmas

< >

( )

initialiser les timesteps et les sigmas globaux

init_sigmas_for_each_stage

< >

( )

Initialiser les timesteps pour chaque étape

set_begin_index

< >

( begin_index: int = 0 )

Paramètres

  • begin_index (int) — L'index de début pour le planificateur.

Définit l'index de début pour le planificateur. Cette fonction doit être exécutée depuis le pipeline avant l'inférence.

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 )

Définir les timesteps et les sigmas pour chaque étape

time_shift

< >

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

Paramètres

  • mu (float) — Le paramètre mu pour le décalage temporel.
  • sigma (float) — Le paramètre sigma pour le décalage temporel.
  • t (torch.Tensor) — Les pas de temps d'entrée.

Retourne

torch.Tensor

Les pas de temps décalés dans le temps.

Appliquer un décalage temporel aux sigmas.

scheduling_helios_dmd

Update on GitHub

←FlowMatchHeunDiscreteScheduler HeliosScheduler→