无条件图像生成
译者：片刻小哥哥
项目地址：https://huggingface.apachecn.org/docs/diffusers/using-diffusers/unconditional_image_generation
原始地址：https://huggingface.co/docs/diffusers/using-diffusers/unconditional_image_generation
无条件图像生成是一项相对简单的任务。该模型仅生成图像 - 没有任何其他上下文（如文本或图像） - 类似于其所训练的训练数据。
这 DiffusionPipeline 是使用预先训练的扩散系统进行推理的最简单方法。
首先创建一个实例 DiffusionPipeline 并指定您要下载的管道检查点。 您可以使用任何 🧨 扩散器 检查点 从中心（您将使用的检查点生成蝴蝶图像）。
💡 想训练自己的无条件图像生成模型吗？看看训练情况 指南 了解如何生成自己的图像。
在本指南中，您将使用 DiffusionPipeline 用于无条件图像生成 DDPM :
from diffusers import DiffusionPipeline
generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128", use_safetensors=True)
这 DiffusionPipeline 下载并缓存所有建模、标记化和调度组件。 由于该模型由大约 14 亿个参数组成，因此我们强烈建议在 GPU 上运行它。 您可以将生成器对象移动到 GPU，就像在 PyTorch 中一样：
generator.to("cuda")
现在您可以使用
发电机
生成图像：
image = generator().images[0]
image
输出默认包装成
PIL.Image
目的。
您可以通过调用以下命令保存图像：
image.save("generated\_image.png")
尝试下面的空间，并随意使用推理步骤参数，看看它如何影响图像质量！
