Расписания сэмплирования и управление
Направляйте генерацию в сторону запроса
«Расписания сэмплирования и управление» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 3 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Sampling Is the Payoff
Training gives you a denoiser. Sampling is where you cash it in, running the reverse steps to turn noise into a finished image.
Steps Cost Time
Each reverse step calls the U-Net once. More steps usually means crisper results but a slower generation. ⏳
The DDPM Sampler
The original DDPM sampler is faithful but slow, often needing hundreds or even a thousand tiny denoising steps.
Faster with DDIM
DDIM skips many steps while keeping quality high, so you can sample in twenty or fifty steps instead of a thousand.
Choosing a Schedule
A sampling schedule decides which timesteps you actually visit. Fewer, well-chosen steps trade a little detail for big speed.
scheduler.set_timesteps(num_inference_steps=30)Plain Generation Wanders
Left alone, the model produces a valid image but you cannot steer it. You get something plausible, not necessarily what you asked for.
Conditioning on a Prompt
To get control, you condition the U-Net on a prompt, often a text embedding, so it aims toward your description.
Classifier-Free Guidance
Classifier-free guidance runs the model twice, with and without the prompt, then pushes the result toward the prompted version.
The Guidance Scale
A guidance scale sets how hard to push. Higher values follow the prompt more closely but can hurt realism if overdone.
image = pipe(prompt, guidance_scale=7.5)Finding the Sweet Spot
Too low and the image ignores you; too high and it looks harsh. A scale around seven is a common sweet spot to start from.
Two Knobs, Big Impact
Steps control speed and detail; guidance controls how closely you obey the prompt. Tuning both is how you dial in your output. 🎛️
Quick Check
What does raising the guidance scale do?
Recap
Schedules like DDIM cut steps for speed, and guidance steers toward your prompt. Tune steps and guidance scale to balance quality and control. 🎉
Часто задаваемые вопросы
Урок «Расписания сэмплирования и управление» бесплатный?
Да — полный текст урока «Расписания сэмплирования и управление» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «Расписания сэмплирования и управление»?
Направляйте генерацию в сторону запроса Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 3 из 4.
Сколько времени занимает урок «Расписания сэмплирования и управление»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Прямое зашумление и обратное устранение шума
- Предсказывайте шум с помощью U-Net
- Расписания сэмплирования и управление
- Запустите pipeline с Diffusers