1.stable-diffusion-webui源码分析(10)-unet网络结构
2.哪里能够买到商用的绘图绘制django项目源码(2023年最新整理)
3.腾讯T2I-adapter源码分析(2)-推理源码分析
4.aiç»å¾è½¯ä»¶åªä¸ªå¥½ç¨
5.从零开始,手把手教你本地部署Stable Diffusion Webui AI绘画 V4版 (Win版0705更新)
6.腾讯T2I-adapter源码分析(3)-训练源码分析
stable-diffusion-webui源码分析(10)-unet网络结构
stable-diffusion-webui的源码源码源码分析深入探讨了unet网络结构在AI绘图中的关键作用。unet在去噪过程中起着核心作用,绘图绘制它接收prompt特征、源码源码latent特征和时间步特征,绘图绘制通过下采样和上采样过程生成新的源码源码卡特收款码源码特征。稳定扩散模型的绘图绘制unet结构基于原始unet,并进行了定制以嵌入文本信息。源码源码在webui的绘图绘制实现中,关键代码位于openaimodel.py,源码源码其中包含大量的绘图绘制初始化参数和组件,如ResnetBlock、源码源码SpatialTransformer和DownSample等。绘图绘制
模型的源码源码构建通过__init__方法进行,参数丰富,绘图绘制配置文件v1-inference.yaml定义了这些参数。初始化代码中,会检查输入参数的有效性,并设置一些变量。时间编码(time_embed)是一个维度的向量,通过多个MLP层生成。input_blocks部分的conv_nd是卷积层,其参数根据配置进行设置,TimestepEmbedSequential则负责传递时间信息给各个模块。
unet的结构复杂,包括内嵌的ResBlock和SpatialTransformer模块,以及通过循环进行的下采样和上采样。每层模块的添加和参数设置都有特定条件,如基于分辨率的注意力机制。通过分析,我们看到模型如何整合时间步和文本信息,通过ResBlock处理隐变量,通过SpatialTransformer实现注意力机制。
最后,DownSample和UpSample模块用于调整特征的空间分辨率。总的来说,unet网络结构是stable-diffusion-webui中AI绘图背后的重要技术基础,深入理解其细节对于掌握AI创作过程至关重要。
哪里能够买到商用的django项目源码(年最新整理)
导读:很多朋友问到关于哪里能够买到商用的django项目源码的相关问题,本文首席CTO笔记就来为大家做个详细解答,供大家参考,希望对大家有所帮助!一起来看看吧!我在Fedora下初学django遇到问题。大牛们来看看吧,帮帮我你是linux系统我也遇到过
你可以下载一个django的源码包
django/bin/django-admin.py其实你找的就是源码包里面的这个文件然后创建就可以了
至于删除不了应该是权限不够你终端下sudorm-rf文件夹就可以了用的时候小心点删除就找不回来了
Django框架是什么?
Django是基于Python的免费和开放源代码Web框架,它遵循模型-模板-视图(MTV)体系结构模式。它由DjangoSoftwareFoundation(DSF)维护,这是一个由非营利组织成立的独立组织。
Django的主要目标是简化复杂的,数据库驱动的网站的创建。该框架强调组件的可重用性和“可插入性”,更少的代码,低耦合,vs2010自动跳转源码快速开发以及不重复自己的原则。整个过程都使用Python,甚至用于设置文件和数据模型。Django还提供了一个可选的管理创建,读取,更新和删除界面,该界面通过自省动态生成并通过管理模型进行配置。
一些使用Django的知名网站包括公共广播服务,Instagram,Mozilla,华盛顿时报,Disqus,Bitbucket,和Nextdoor。
Django创建于年秋天,当时《劳伦斯日报》世界报纸的网络程序员AdrianHolovaty和SimonWillison开始使用Python来构建应用程序。西蒙·威利森(SimonWillison)的实习期结束前不久,雅各布·卡普兰·莫斯(JacobKaplan-Moss)在Django的发展中就被聘用了。它于年7月在BSD许可下公开发布。该框架以吉他手DjangoReinhardt的名字命名。年6月,宣布新成立的Django软件基金会(DSF)将来将维护Django。
年7月,与一些Django联合创始人和开发人员建立联系的软件咨询公司RevolutionSystems在劳伦斯举办了周年纪念活动。
Django的设计理念如下:
松耦合——Django的目标是使堆栈中的每个元素彼此独立。
更少的编码——更少的代码,因此可以快速开发。
不重复自己(DRY)——一切都应该只在一个地方开发,而不是一次又一次地重复。
快速开发——Django的理念是尽一切可能促进超快速开发。
简洁的设计——Django严格按照自己的代码维护简洁的设计,并易于遵循最佳的Web开发实践。
Django的一些优势如下:
对象关系映射(ORM)支持——Django在数据模型和数据库引擎之间建立了桥梁,并支持包括MySQL,Oracle,Postgres等在内的大量数据库系统。
多语言支持——Django通过其内置的国际化系统支持多语言网站。因此,您可以开发支持多种语言的网站。
框架支持——Django内置了对Ajax,RSS,缓存和其他各种框架的支持。
GUI——Django为管理活动提供了一个很好的即用型用户界面。
开发环境——Django带有轻量级的Web服务器,以促进端到端应用程序的开发和测试。
Django是PythonWeb框架。和大多数现代框架一样,Django支持MVC模式。
关于Python的基础问题可以看下这个网页的视频教程,网页链接,希望我的回答能帮到你。
Django源码阅读(一)项目的生成与启动诚实的说,直到目前为止,潜伏底选股公式源码我并不欣赏django。在我的认知它并不是多么精巧的设计。只是由功能堆积起来的"成熟方案"。但每一样东西的崛起都是时代的选择。无论你多么不喜欢,但它被需要。希望有一天,python能有更多更丰富的成熟方案,且不再被诟病性能和可维护性。(屁话结束)
取其精华去其糟粕,django的优点是方便,我们这次源码阅读的目的是探究其方便的本质。计划上本次源码阅读不会精细到每一处,而是大体以功能为单位进行解读。
django-adminstartprojectHelloWorld即可生成django项目,命令行是exe格式的。
manage.py把参数交给命令行解析。
execute_from_command_line()通过命令行参数,创建一个管理类。然后运行他的execute()。
如果设置了reload,将会在启动前先check_errors。
check_errors()是个闭包,所以上文结尾是(django.setup)()。
直接看最后一句settings.INSTALLED_APPS。从settings中抓取app
注意,这个settings还不是我们项目中的settings.py。而是一个对象,位于django\conf\__init__.py
这是个Settings类的懒加载封装类,直到__getattr__取值时才开始初始化。然后从Settings类的实例中取值。且会讲该值赋值到自己的__dict__上(下次会直接在自己身上找到,因为__getattr__优先级较低)
为了方便debug,我们直接写个run.py。不用命令行的方式。
项目下建个run.py,模拟runserver命令
debug抓一下setting_module
回到setup()中的最后一句apps.populate(settings.INSTALLED_APPS)
开始看apps.populate()
首先看这段
这些App最后都会封装成为AppConfig。且会装载到self.app_configs字典中
随后,分别调用每个appConfig的import_models()和ready()方法。
App的装载部分大体如此
为了方便debug我们改写下最后一句
res的类型是Commanddjango.contrib.staticfiles.management.commands.runserver.Commandobjectat0xEDA0
重点是第二句,让我们跳到run_from_argv()方法,这里对参数进行了若干处理。
用pycharm点这里的handle会进入基类的方法,无法得到正确的走向。实际上子类Commond重写了这个方法。
这里分为两种情况,如果是reload重载时,会直接执行inner_run(),而项目启动需要先执行其他逻辑。
django项目启动时,实际上会启动两次,如果我们在项目入口(manage.py)中设置个print,会发现它会打印两次。天龙出击选股公式源码
第一次启动时,DJANGO_AUTORELOAD_ENV为None,无法进入启动逻辑。会进入restart_with_reloader()。
在这里会将DJANGO_AUTORELOAD_ENV置为True,随后重启。
第二次时,可以进入启动逻辑了。
这里创建了一个django主线程,将inner_run()传入。
随后本线程通过reloader.run(django_main_thread),创建一个轮询守护进程。
我们接下来看django的主线程inner_run()。
当我们看到wsgi时,django负责的启动逻辑,就此结束了。接下来的工作交由wsgi服务器了
这相当于我们之前在fastapi中说到的,将fastapi的app交由asgi服务器。(asgi也是django提出来的,两者本质同源)
那么这个wsgi是从哪来的?让我们来稍微回溯下
这个settings是一个对象,在之前的操作中已经从settings.py配置文件中获得了自身的属性。所以我们只需要去settings.py配置文件中寻找。
我们来寻找这个get_wsgi_application()。
它会再次调用setup(),重要的是,返回一个WSGIHandler类的实例。
这就是wsgiapp本身。
load_middleware()为构建中间件堆栈,这也是wsgiapp获取setting信息的唯一途径。导入settings.py,生成中间件堆栈。
如果看过我之前那篇fastapi源码的,应该对中间件堆栈不陌生。
app入口→中间件堆栈→路由→路由节点→endpoint
所以,wsgiapp就此构建完毕,服务器传入请求至app入口,即可经过中间件到达路由进行分发。
去哪里找python的开源项目GitHub是一个面向开源及私有软件项目的托管平台,因为只支持git作为唯一的版本库格式进行托管,故名GitHub。作为开源代码库以及版本控制系统,Github拥有超过万开发者用户。随着越来越多的应用程序转移到了云上,Github已经成为了管理软件开发以及发现已有代码的首选方法。在GitHub,用户可以十分轻易地找到海量的开源代码。
下面给大家介绍一些GitHub上个开源项目:
(1)TensorFlowModels
如果你对机器学习和深度学习感兴趣,一定听说过TensorFlow。TensorFlowModels是一个开源存储库,可以找到许多与深度学习相关的库和模型。
(GitHub:)
(2)Keras
Keras是一个高级神经网络API,用Python编写,能够在TensorFlow,unity直升机游戏源码CNTK或Theano之上运行。旨在完成深度学习的快速开发(GitHub:)
(3)Flask
Flask是一个微型的Python开发的Web框架,基于Werkzeug?WSGI工具箱和Jinja2模板引擎,使用BSD授权。
(GitHub:)
(4)scikit-learn
scikit-learn是一个用于机器学习的Python模块,基于NumPy、SciPy和matplotlib构建。,并遵循BSD许可协议。
(GitHub:)
(5)Zulip
Zulip是一款功能强大的开源群聊应用程序,它结合了实时聊天的即时性和线程对话的生产力优势。Zulip作为一个开源项目,被许多世界强企业,大型组织以及其他需要实时聊天系统的用户选择使用,该系统允许用户每天轻松处理数百或数千条消息。Zulip拥有超过名贡献者,每月合并超过次提交,也是规模最大,发展最快的开源群聊项目。
(GitHub:)
:《Python入门教程》
(6)Django
Django是Python编程语言驱动的一个开源模型-视图-控制器(MVC)风格的Web应用程序框架,旨在快速开发出清晰,实用的设计。使用Django,我们在几分钟之内就可以创建高品质、易维护、数据库驱动的应用程序。
(GitHub:)
(7)Rebound
Rebound是一个当你得到编译错误时即时获取StackOverflow结果的命令行工具。就用rebound命令执行你的文件。这对程序员来说方便了不少。
(GitHub:)
(8)GoogleImagesDownload
这是一个命令行python程序,用于搜索GoogleImages上的关键字/关键短语,并可选择将图像下载到您的计算机。你也可以从另一个python文件调用此脚本。
(GitHub:)
(9)YouTube-dl
youtube-dl是基于Python的命令行媒体文件下载工具,完全开源免费跨平台。用户只需使用简单命令并提供在线视频的网页地址即可让程序自动进行嗅探、下载、合并、命名和清理,最终得到已经命名的完整视频文件。
(GitHub:/rg3/youtube-dl)
()SystemDesignPrimer
此repo是一个系统的资源集合,可帮助你了解如何大规模构建系统。
(GitHub:)
()MaskR-CNN
MaskR-CNN用于对象检测和分割。这是对Python3,Keras和TensorFlow的MaskR-CNN实现。该模型为图像中对象的每个实例生成边界框和分割蒙版。它基于特FeaturePyramidNetwork(FPN)和ResNetbackbone。
(GitHub:)
()FaceRecognition
FaceRecognition是一个基于Python的人脸识别库,使用十分简便。这还提供了一个简单的face_recognition命令行工具,可以让您从命令行对图像文件夹进行人脸识别!
(GitHub:)
()snallygaster
用于扫描HTTP服务器上的机密文件的工具。
(GitHub:)
()Ansible
Ansible是一个极其简单的IT自动化系统。它可用于配置管理,应用程序部署,云配置,支持远程任务执行和多节点发布-包括通过负载平衡器轻松实现零停机滚动更新等操作。
(GitHub:)
()Detectron
Detectron是FacebookAI研究院开源的的软件系统,它实现了最先进的目标检测算法,包括MaskR-CNN。它是用Python编写的,由Caffe2深度学习框架提供支持。
()asciinema
终端会话记录器和asciinema.org的最佳搭档。
(GitHub:)
()HTTPie
HTTPie是一个开源的命令行的HTTP工具包,其目标是使与Web服务的CLI交互尽可能人性化。它提供了一个简单的和T2I-adapter等技术应运而生。本文将通过解析T2I-adapter的推理源码,揭示其工作原理。
本文将深入剖析推理部分的代码,以便理解T2I-Adapter的实际操作。使用如下的命令行指令进行推理,如test_adapter.py,它需要指定条件类型、深度图路径、前置处理器类型、提示语、模型和缩放尺寸等参数。
在test_adapter.py中,主要分为参数读取、模型加载和推理运算三个步骤。参数读取部分包括检查支持的条件、构建提示语,以及根据输入选择前置处理。模型加载涉及stable-diffusion和adapter模型,前者通过配置加载,后者根据输入条件构造Adapter模型。
加载stable-diffusion模型时,代码引用了来自github的CompVis/stable-diffusion库,其中关键部分包括加载参数、模型配置以及UNetModel的改动。Adapter模型的构造与论文中的结构图一致,通过ResnetBlock的组合实现。
在推理过程中,先对输入进行预处理,如深度图的处理。随后,get_adapter_feature和diffusion_inference两个核心函数调用adapter模型,与stable-diffusion模型结合进行特征融合和采样。最后,DDIM采样器接收并处理adapter特征,最终生成图像。
通过以上分析,我们逐步揭示了T2I-adapter的推理机制。后续文章将探讨训练代码。在游戏开发中,AI生成游戏角色动作的应用,如AUTOMATIC,展示了这种技术的实际应用,以解决美术资源匮乏的问题。
aiç»å¾è½¯ä»¶åªä¸ªå¥½ç¨
触ç«ãDeepArt.ioãPrismaçã
1ã触ç«æ¯å½å é«äººæ°ç»å¸ä½åå享平å°ï¼ææµ·éæç»å¸å ¥é©»ï¼åæ¶è§¦ç«æ¨åºçAIç»ç»åè½åå强大ï¼é¶åºç¡å°ç½ä¹è½å¿«éææç²¾ç¾çä½åï¼å¹¶ä¸æ¯æä¸é®ä¸è½½ï¼æ°ç¾ä¸ç¨æ·å¨ä¸é¢å享ãåä½ã
2ãDeepArt.ioæ¯ä¸æ¬¾é常强大çAIç»ç»å¹³å°ï¼å¯ä»¥å°ä½ ä¸ä¼ çä»»ä½å¾ç转å为任ä½ä¸å¼ èºæ¯å¤§å¸çåä½é£æ ¼ãæ以ï¼æ³è®©èªå·±ç头ååæä¸å¹ 梵é«çæ²¹ç»ä½åçè¯ï¼é£ä¹DeepArt.ioå°±æ¯ä¸äºéæ©ã
3ãPrismaæ¯ä¸æ¬¾ååæ趣çAIç»ç»å¹³å°ï¼å¯ä»¥å°ç §ç转åæåç§ä¸åçèºæ¯é£æ ¼ï¼å æ¬ææåç«æ´¾ãæ¯å ç´¢ççãèä¸ï¼Prismaè¿é å¤äºè®¸å¤ç¾å¦ç滤éææï¼æ以ç¨æ·å¯ä»¥è½»æ¾å°è®©èªå·±çç §çæ´å åºå½©ã
从零开始,手把手教你本地部署Stable Diffusion Webui AI绘画 V4版 (Win版更新)
欢迎来到觉悟之坡 AI绘画教学系列之篇。一、前言 我们之前发布过许多关于win平台的教程,其中一些同学在操作过程中遇到了一些难题,因此本教程特别针对这些易卡点进行了详细说明。例如在克隆SDWebui时的注意事项。我们也新增了更新/卸载SD的方式,介绍了如何修改launch_utils.py文件以实现一键包功能。对于已经成功安装并使用的用户,无需重复安装,本教程更适合新手使用,或是在首次安装后遇到问题时查阅。 本教程适用于配备标准硬件的笔记本、台式机或服务器,包括win、win、win server 、操作系统。二、部署说明
为什么要本地部署AI绘画工具?相较于集成在网络平台的AI绘画工具,本地部署具有以下优势:没有生成数量限制、无需付费、不受NSFW约束、生成速度快、无需排队等候、自由度高。此外,本地部署功能完整、插件丰富,提供了更多调试和个性化选项,更稳定且易于将工具应用于生产力或商业化场景。选择开源版本而非整合包,是为了确保更稳定的运行环境,避免潜在的安全隐患和依赖性问题。 本地化部署需要满足以下要求:至少需要NVIDIA显卡,推荐RTX 或以上,显存至少G。
操作系统为win或win。
运行内存G或以上。
建议使用G以上的SSD固态硬盘,以加速大模型的读取。
若不清楚电脑配置,可下载鲁大师等软件进行检测。
对网络有一定要求,可能需要掌握一些基本的网络知识。
耐心和解决问题的能力同样重要。
我们当前的电脑配置:Win,i5,NVIDIA RTXTi G显存,G内存。
三、部署算法环境
部署过程分为以下几个步骤:下载并安装miniconda,用于配置基础算法环境。miniconda帮助管理Python版本,实现多版本切换。
在miniconda终端执行命令,确认安装成功。
创建并激活名为sdwebui的Python环境。
升级pip,并将默认库包下载地址更改为阿里镜像站,以增强网络稳定性和下载速度。
安装git,用于克隆下载开源项目,如stable diffusion webui。
安装CUDA,NVIDIA显卡的依赖程序,确保算法正确运行。
四、stable diffusion环境配置
部署stable diffusion环境包括以下关键步骤:通过git克隆stable diffusion源码,确认正在sdwebui程序环境内。
选择非系统盘的根目录进行稳定-diffusion-webui的安装。
克隆SD项目代码,注意网络波动问题,多次尝试。
下载并放置stable diffusion的官方基础模型。
进入项目文件夹,打开webui应用程序。
五、答疑
对于一些常见问题,我们提供以下解答:每次打开stable-diffusion-webui是否都需要重复步骤?不是,之后可以一键打开。
能否提供远程部署服务?可以,提供远程协助。
如何解决画出的图像质量不佳?查看教程中的AI绘图相关文集,了解如何绘制出高质量图像。
内外网问题如何解决?由于某种原因,不提供相关教程,但可以联系特定人员协助。
为什么要本地部署,而不是使用整合包?本地部署提供更开放的功能和插件支持,避免依赖第三方维护,确保持续更新。
六、其他注意事项
在部署和使用过程中,确保满足硬件要求、操作系统兼容性、网络稳定性等条件。遇到问题时,参考教程中的详细指南或联系作者寻求帮助。同时,根据个人需求选择合适的部署方式,并保持对新技术的探索和学习。祝您在AI绘画的世界中创造无限可能!腾讯T2I-adapter源码分析(3)-训练源码分析
随着stable-diffusion和midjourney等AI技术展现令人惊叹的艺术创作,人们对AI可控绘图的追求日益高涨。为提升AI图像生成的可控性,Controlnet和T2I-adapter等解决方案应运而生。系列文章将从T2I-adapter的源码出发,深入剖析其训练部分的实现原理。
本篇我们将聚焦于训练源码的解析,通过代码结构的梳理,了解T2I-Adapter的训练流程。
训练代码的运行涉及数据处理、模型加载、优化器设置以及实际训练过程。在第一部分,我们首先设置参数并加载数据,如DepthDataset,它从txt文件中读取、对应的深度图和文本描述。
在模型加载阶段,我们区分了stable-diffusion模型和adapter。stable-diffusion模型加载时,其配置与推理阶段有所差异,如增加调度器参数、提高精度、调整分辨率和训练相关参数。adapter模型的加载则遵循推理过程中的初始化方法,通过构建不同模块来实现。
训练过程中,adapter模型的关键结构包括下采样、卷积和ResnetBlock的使用,相比controlnet,T2I-adapter的参数更少,没有注意力层,这使得训练更为高效。模型放入GPU后,使用adamW优化器进行训练,同时设置学习率和数据保存路径。
状态恢复部分,程序会判断是否从头开始或恢复训练,设置log信息。接下来,代码进入实际的训练循环,包括条件编码、隐藏状态生成、adapter结果附加至sd模型以及adapter梯度计算。
loss函数定义在模型配置中,采用L2损失来衡量生成图像与给定时间点加噪ground truth的接近程度。训练过程中,loss计算和模型保存都在代码中明确体现。
总的来说,T2I-adapter的训练源码展示了精细的结构和参数设置,确保了AI绘画的可控性和性能。在AI艺术的探索中,每一行代码都承载着技术进步的点滴痕迹。
aiç»å¾è½¯ä»¶
aiç»å¾è½¯ä»¶ï¼ä¸ã梦幻AIç»å®¶
梦幻AIç»å®¶æ¯ä¸æ¬¾ä¸ä¸çAIä½å¾å·¥å ·ï¼æä½å¾æ¹ä¾¿ï¼èä¸æ¶µçè¶ çº§å¤ç»ç»ç±»åï¼æ 论æ¨æ¯å欢åå®é£ãäºæ¬¡å ãç»å ¸èºæ¯é£æ ¼è¿æ¯èµåæå 大çæï¼ééé½è½å¤ä¸ºæ¨åç°åºæ¥ï¼å¯ä»¥éå¿åæ¢ã
ä¸è½½å®è£ åï¼æå¼è¯¥åºç¨ï¼ç¹å»è¿å ¥ï¼åªéè¦è¾å ¥æåå 容ï¼å½¢å®¹æ¨éè¦è½¬æ¢çç»é¢ï¼åéæ©èºæ¯é£æ ¼ï¼å°±å¯ä»¥ä¸é®è½¬æ¢äºãæä½æ¥éª¤å°±æ¯è¿ä¹ç®åï¼èä¸å¦æå½æ¨è¿æ²¡ææ³æ³çæ¶åï¼ä¹å¯ä»¥å°è¯éæºå ³é®è¯çæç»ç»ä½åï¼è¯´ä¸å®ä¹ä¼ææå¤çæ¶è·å¦ï¼å欢就å¯ä»¥ä¸é®å¯¼åºä¿åã
äºãæé´AIç»ç»
æé´AIç»ç»æ¨å¨ä¸ºæ¨å¸¦æ¥ä¾¿æ·çAIç»ç»æå¡ï¼è¿æ¬¾åºç¨æ们æå¼åï¼å¯ä»¥æ¥çå°å¤ç§ç¾æ¯ä½ç»é£æ ¼ï¼éæ©æ¨å欢çé£æ ¼ï¼ç¹å»âå¼å§ç»å¶âï¼æ¨å¯ä»¥éè¿è¾å ¥æåæè å¯¼å ¥å¾ççæ¹å¼çææ°ç»ä½ï¼å¯ä»¥åå¤å¤æ¬¡çæï¼æ¯æ¬¡çæçç»é¢é½æ¯ä¸ä¸æ ·çãå¨âæçâ页é¢ä¸è¿å¯ä»¥æ¥ççæåå²è®°å½ã
ä¸ãç±æAiç»ç»
ç±æAiç»ç»è½å¤ä¸ºæ¨å¸¦æ¥ä¾¿æ·çä½ç»ä½éªï¼æ éå ·æç»ç»åºç¡ï¼æ é¨æ§ä½ç»ï¼è®©æ¨å°æ¢¦å¢åä¸ºå ·è±¡åç°å®ç»é¢ï¼åªéè¦ç¨å ³é®è¯æè¿°éè¦çç»é¢ï¼åéæ©å欢çèºæ¯é£æ ¼ã
è¿ä¸ªåºç¨ä¸çç»é£å¤§å¤åå¯ç¾ï¼çæç»ä½ç¬ä¸æ äºï¼æ°¸ä¸éå¤ï¼å½ç¶æ¨ä¹ä¸ç¨æ å¿ä¼ä¸¢å¤±ä¹åçæçæ°æ®ï¼çæè®°å½å¯ä»¥éæ¶æ¥çï¼ææ³è¦ä¿åçå¾åæè§å¯¼åºä¿åå³å¯ã
åãDisco Diffusion
è¿æ¯ä¸æ¬¾æ¯è¾æ©çå è´¹å¼æºAIç»å¾å·¥å ·ï¼å¯¹çµè设å¤æ²¡æè¦æ±ï¼æ¥ææ¯è¾å ¨é¢çèµæºåå·¥å ·ï¼åªè¦éè¿æååè¿°ç»é¢ï¼å¹¶è®¾ç½®å¥½ç¸åºåæ°å°±è½è®©AI为æ¨ç»å¶åºç¸åºçå¾çï¼æ¤å¤ç±äºè½¯ä»¶éµå¾ªMITå¼æºåè®®ï¼æä»¥ä½ å¯ä»¥å¯¹å 容è¿è¡å®ç¨ãå¤å¶ä»¥ååºå®çæä½ã
äºãNovelai
è¿æ¯ä¸æ¬¾ä¸æ³¨äºäºæ¬¡å é¢åçAIç»å¾å·¥å ·ï¼å¤§å®¶ç®åå¨å大社交平å°ä¸çå°çAIç¾å¾é½æ¯è¿æ¬¾è½¯ä»¶çåå³ï¼åªè¦è¾å ¥å¥½ç¸åºçæ ç¾è¿å»ï¼éå¾ ä¾¿å¯å³å¯è·ååä½ã
èå¨å®é 使ç¨è¿ç¨ä¸åç°ï¼è¿æ¬¾è½¯ä»¶é¤äºäºæ¬¡å é¢åå¤ï¼åå®æ¿ååå®é£æ ¼ä¹æ¯ç¸å½çä¸éï¼ä½è¿æ¬¾è½¯ä»¶å¨èº«ä½å±±å¤çä¸å¾ä¸å°½äººæï¼æ³âè¿ä½äººâä¹ç±»çå¾çï¼ä¹å¤åºèªæ¤ç«ä¹æã
手把手教你安装运行AI绘图Stable-Diffution-Webui(Mac OS篇)
AI绘图领域的热门工具stable-diffusion-webui是Mac用户首选的本地运行平台。由于其开放性、灵活性和高效性,我们将在本文中详细指导你在Mac M1或M2系统上安装并运行它,满足粉丝对新功能的需求。 首先,确保你的设备配置:Mac M1或M2,内存8GB以上,至少GB可用硬盘,GB更佳,且内外网访问流畅。接下来,按步骤操作:在Terminal中安装Homebrew,如果已安装,则跳过。
通过命令行安装Python和Git。
从GitHub克隆stable-diffusion-webui的源代码。
下载基础模型,如stable diffusion 2.0的-v-ema.ckpt。
在launch.py文件中配置国内镜像下载GFPGAN等依赖。
运行webui.sh启动应用,可能需要一段时间下载插件。
访问本地URL .0.0.1:,通过浏览器打开稳定扩散webui界面。
遇到问题时,可参考常见问题解答:免费使用,无需付费,无nsfw限制,无排队等待。
关闭电脑后重开,重复上述步骤即可。
网络问题检查网络连接,如遇下载错误,按指导修改launch.py。
提高绘图质量,可通过下载更多模型包和优化提示词。
切换模型:下载并替换checkpoint文件,刷新选择新模型。
优化速度:调整图像大小,关闭hirex.fix,减少后台占用。
想深入了解提示词编写和更高级功能,后续文章会详细介绍。如有任何疑问,可参考我们的其他教程。 我们已经分享了多个教程,包括Windows和Mac的本地部署方法,以及如何使用Waifu Diffusion。继续探索,掌握AI绘画的魅力吧!参考资料:
Bilibili教程链接