docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,187 @@
|
||||
---
|
||||
id: wiki-2026-0508-샘플링-스텝-sampling-steps
|
||||
title: 샘플링 스텝 (Sampling Steps)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Sampling Steps, Diffusion Steps, Inference Steps, num_inference_steps]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [diffusion, sampling, sdxl, flux, inference, image-generation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: diffusers/ComfyUI
|
||||
---
|
||||
|
||||
# 샘플링 스텝 (Sampling Steps)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 step 은 noise → image 의 길 위 의 한 발자국"**. 매 diffusion model 에서 `num_inference_steps` 는 매 reverse-diffusion ODE 의 discretization count — 매 적으면 빠르지만 muddy, 매 많으면 sharp 지만 expensive 하고 어느 임계점 이상 은 의미 X. 매 2026 의 modern sampler (DPM++ 2M Karras, FLUX 의 Euler) + Lightning/Turbo distillation 으로 매 sweet-spot 이 12–30 steps 로 안정.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 정의
|
||||
- **Sampling step**: 매 reverse diffusion 의 한 iteration. matrix t = T → 0 의 discretization.
|
||||
- **Sampler / scheduler**: 매 step 사이 noise 의 schedule + 알고리즘 (Euler, DPM, UniPC, LMS, DDIM, DPM++ SDE).
|
||||
- **CFG (guidance scale)**: 매 step 마다 conditional vs unconditional 의 weighting.
|
||||
- **Sigma schedule**: 매 noise level 의 t-vs-sigma curve (linear, karras, exponential).
|
||||
|
||||
### 매 sampler family (2026 state)
|
||||
- **Euler / Euler a**: 매 simple, fast, good baseline (15–25).
|
||||
- **DPM++ 2M Karras**: 매 SDXL community default (20–30). 매 quality leader 의 하나.
|
||||
- **DPM++ 3M SDE**: 매 detail 강함 (28–40).
|
||||
- **UniPC**: 매 빠른 convergence (10–20).
|
||||
- **DDIM**: 매 deterministic, ControlNet 호환.
|
||||
- **LCM / Turbo / Lightning**: 매 distilled 1–8 steps.
|
||||
- **FLUX 의 Euler / fm_euler**: 매 flow-matching 형식. 매 25–30 steps default.
|
||||
|
||||
### 매 step 수 의 trade-off
|
||||
- 매 5–10: muddy, oversmooth (distilled 모델 의 경우 ok).
|
||||
- 매 15–20: 매 production sweet spot (대부분 SDXL / FLUX dev).
|
||||
- 매 25–30: 매 detail-critical scene.
|
||||
- 매 40+: 매 returns diminishing. 매 거의 무의미.
|
||||
|
||||
### 매 응용 의 결정 요인
|
||||
1. Latency budget (real-time vs batch).
|
||||
2. Sampler 의 스타일 (Karras vs exponential).
|
||||
3. Distillation 의 사용 여부.
|
||||
4. ControlNet / IP-Adapter 의 noise floor.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Pattern 1 — diffusers basic
|
||||
```python
|
||||
from diffusers import StableDiffusionXLPipeline, DPMSolverMultistepScheduler
|
||||
import torch
|
||||
|
||||
pipe = StableDiffusionXLPipeline.from_pretrained(
|
||||
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
|
||||
).to("cuda")
|
||||
pipe.scheduler = DPMSolverMultistepScheduler.from_config(
|
||||
pipe.scheduler.config, algorithm_type="dpmsolver++", use_karras_sigmas=True
|
||||
)
|
||||
|
||||
img = pipe(prompt="cinematic portrait, dramatic light",
|
||||
num_inference_steps=25, guidance_scale=6.5).images[0]
|
||||
```
|
||||
|
||||
### Pattern 2 — Turbo / Lightning (low-step)
|
||||
```python
|
||||
from diffusers import StableDiffusionXLPipeline, EulerDiscreteScheduler
|
||||
pipe = StableDiffusionXLPipeline.from_pretrained(
|
||||
"stabilityai/sdxl-turbo", torch_dtype=torch.float16, variant="fp16"
|
||||
).to("cuda")
|
||||
pipe.scheduler = EulerDiscreteScheduler.from_config(pipe.scheduler.config, timestep_spacing="trailing")
|
||||
|
||||
img = pipe(prompt="a wizard casting a fireball",
|
||||
num_inference_steps=4, guidance_scale=0.0).images[0]
|
||||
```
|
||||
|
||||
### Pattern 3 — FLUX (flow-matching)
|
||||
```python
|
||||
from diffusers import FluxPipeline
|
||||
pipe = FluxPipeline.from_pretrained(
|
||||
"black-forest-labs/FLUX.1-dev", torch_dtype=torch.bfloat16
|
||||
).to("cuda")
|
||||
img = pipe(prompt="forest stream at golden hour",
|
||||
num_inference_steps=28, guidance_scale=3.5,
|
||||
max_sequence_length=512).images[0]
|
||||
```
|
||||
|
||||
### Pattern 4 — UniPC (fast convergence)
|
||||
```python
|
||||
from diffusers import UniPCMultistepScheduler
|
||||
pipe.scheduler = UniPCMultistepScheduler.from_config(pipe.scheduler.config)
|
||||
img = pipe(prompt="..", num_inference_steps=12, guidance_scale=6.0).images[0]
|
||||
```
|
||||
|
||||
### Pattern 5 — sweep test
|
||||
```python
|
||||
import os, time
|
||||
prompts = ["a stoic samurai standing in falling snow"]
|
||||
for steps in (8, 12, 16, 20, 25, 30, 40):
|
||||
t0 = time.time()
|
||||
out = pipe(prompt=prompts[0], num_inference_steps=steps,
|
||||
guidance_scale=6.5, generator=torch.Generator("cuda").manual_seed(42)).images[0]
|
||||
out.save(f"sweep_{steps:02d}.png")
|
||||
print(f"steps={steps} time={time.time()-t0:.2f}s")
|
||||
```
|
||||
|
||||
### Pattern 6 — Karras sigmas custom
|
||||
```python
|
||||
import torch
|
||||
def karras_sigmas(n, sigma_min=0.029, sigma_max=14.6, rho=7.0):
|
||||
ramp = torch.linspace(0, 1, n)
|
||||
min_inv = sigma_min ** (1/rho); max_inv = sigma_max ** (1/rho)
|
||||
return (max_inv + ramp * (min_inv - max_inv)) ** rho
|
||||
sigmas = karras_sigmas(20).to("cuda")
|
||||
pipe.scheduler.set_timesteps(sigmas=sigmas)
|
||||
```
|
||||
|
||||
### Pattern 7 — ControlNet 의 step 협응
|
||||
```python
|
||||
# ControlNet 의 conditioning step 시작/종료 비율
|
||||
img = pipe(prompt=p, image=control_img, num_inference_steps=25,
|
||||
controlnet_conditioning_scale=0.9,
|
||||
control_guidance_start=0.0, # 첫 step 부터
|
||||
control_guidance_end=0.7 # 70% 지점 에서 중단 → free 마지막 30%
|
||||
).images[0]
|
||||
```
|
||||
|
||||
### Pattern 8 — early-exit (latent preview)
|
||||
```python
|
||||
# Inspect mid-process latent
|
||||
def callback(pipe, step, timestep, callback_kwargs):
|
||||
if step == 5:
|
||||
latents = callback_kwargs["latents"]
|
||||
# decode preview, show, etc.
|
||||
return callback_kwargs
|
||||
|
||||
pipe(prompt=p, num_inference_steps=20,
|
||||
callback_on_step_end=callback,
|
||||
callback_on_step_end_tensor_inputs=["latents"])
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Steps | Sampler |
|
||||
|---|---|---|
|
||||
| SDXL turbo / lightning | 1–4 | Euler |
|
||||
| LCM | 4–8 | LCM |
|
||||
| SDXL 일반 | 20–28 | DPM++ 2M Karras |
|
||||
| SDXL detail-critical | 28–35 | DPM++ 3M SDE |
|
||||
| FLUX dev | 25–30 | flow-match Euler |
|
||||
| FLUX schnell (distilled) | 4 | Euler |
|
||||
| ControlNet inpaint | 25–30 | DPM++ / UniPC |
|
||||
|
||||
**기본값**: 매 SDXL → 25 steps DPM++ 2M Karras CFG 6.5. 매 FLUX dev → 28 steps CFG 3.5.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Stable Diffusion]] · [[Diffusion Models]]
|
||||
- 변형: [[CFG 스케일(Classifier-Free Guidance Scale)]]
|
||||
- 응용: [[AI 이미지 생성 (AI Image Generation)]] · [[사후 편집 (Post-editing)]]
|
||||
- Adjacent: [[FLUX]] · [[ComfyUI]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 sweep config 의 generation, 매 sampler comparison table 의 작성.
|
||||
**언제 X**: 매 visual quality 의 final judge — 매 image grid 의 inspection 이 필요.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Steps 100**: 매 cost 4× 의 quality gain 거의 0.
|
||||
- **Distilled model + high steps**: 매 SDXL Turbo 의 30 step → 매 over-burn.
|
||||
- **Sampler 의 random pick**: 매 prompt-sampler interaction 의 무시.
|
||||
- **CFG + steps 의 단독 변경**: 매 둘은 결합 — 매 high CFG → 매 더 많은 step 필요.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (k-diffusion repo, diffusers schedulers docs, ComfyUI manager).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — sampler family + step decision matrix |
|
||||
Reference in New Issue
Block a user