❤️觉得内容不错的话，欢迎点赞收藏加关注😊😊😊，后续会继续输入更多优质内容❤️👉有问题欢迎大家加关注私戳或者评论（包括但不限于NLP算法相关，linux学习相关，读研读博相关......）👈使用stablediffusionwebui在本地搭建中文的AI绘图模型最近一段时间大火的AI绘画引起了各界人士的关注，但是stablediffusion开源的都是英文的模型，本文参考封神榜团队开源的太乙模型以及相关代码，利用stablediffusionwebui搭建一个中文的AI绘图模型，在本地实现AI绘画。如下就是使用AI作画绘制的图形。想体验的可以通过下面的链接进行体验（想更好地体验建议参考第三章指
❤️觉得内容不错的话，欢迎点赞收藏加关注😊😊😊，后续会继续输入更多优质内容❤️👉有问题欢迎大家加关注私戳或者评论（包括但不限于NLP算法相关，linux学习相关，读研读博相关......）👈使用stablediffusionwebui在本地搭建中文的AI绘图模型最近一段时间大火的AI绘画引起了各界人士的关注，但是stablediffusion开源的都是英文的模型，本文参考封神榜团队开源的太乙模型以及相关代码，利用stablediffusionwebui搭建一个中文的AI绘图模型，在本地实现AI绘画。如下就是使用AI作画绘制的图形。想体验的可以通过下面的链接进行体验（想更好地体验建议参考第三章指
文章目录前言详细流程前言自从入了UnRaid的坑，发现Docker真是个好东西，各种各样的应用工具层出不穷，可以大大提高生产效率。然而在安装Docker应用后，对于如何方便的访问该应用，各个应用服务提供者给出的解决方案不是完全一样，有的按其默认模板安装后啥子也没有，需要自行复制地址访问，很不人性化。有没有什么好的方法，在安装容器后自动生成访问地址快捷菜单，一劳永逸的解决此痛点呢？经过我的不断摸索总结，终于搞明白了其设置方法。不敢独享，在此与大家分享【大佬绕过哈…】。详细流程假设UnRaid宿主机IP为192.168.111.111；假设容器端口为80；假设容器映射到UnRaid宿主机的端口为2
尝试本地部署StableDiffusion的时候遇到了很多的麻烦，自己训练AI也非常的麻烦，可以尝试使用Webui使用别人上传的模型第一步进入网站https://github.com/camenduru/stable-diffusion-webui-colab向下拉到readme第一个stable_diffusion_webui_colab，点击左边OpeninColab的图标跳转到GoogleColab的网站，这一步需要谷歌账号注册，方法可以参见我的上一篇文章http://t.csdn.cn/BV9Ya点击上方任务栏中的“代码执行程序”点击更改运行时类型选择GPU保存之后，点击“代码执行程序
尝试本地部署StableDiffusion的时候遇到了很多的麻烦，自己训练AI也非常的麻烦，可以尝试使用Webui使用别人上传的模型第一步进入网站https://github.com/camenduru/stable-diffusion-webui-colab向下拉到readme第一个stable_diffusion_webui_colab，点击左边OpeninColab的图标跳转到GoogleColab的网站，这一步需要谷歌账号注册，方法可以参见我的上一篇文章http://t.csdn.cn/BV9Ya点击上方任务栏中的“代码执行程序”点击更改运行时类型选择GPU保存之后，点击“代码执行程序
文章目录（零）前言（一）基础模型（Stable-Diffusion模型）（1.1）ChilloutMix（仿真）（1.2）BasilMix（仿真）（1.3）BeautyProMix（仿真）（1.4）ChikMix（仿真）（1.5）Dalcefo_Realistic_Tally_v3（仿真）（1.6）Dreamlike-photoreal-2.0（仿真）（1.7）MajicMixRealistic_v4（仿真）（1.8）Realdosmix（仿真）（1.9）RealMax_V34（仿真）（1.10）URPM_v13（仿真）（1.11）国风（2.5D）（1.12）Anythingv5（2D卡通）（
文章目录1、GPTAcademic2、chatGPT3、chatGLM4、newbing1、GPTAcademic项目地址：地址安装部分gitclonehttps://github.com/binary-husky/chatgpt_academic.gitcdchatgpt_academiccondacreate-ngptac_venvpython=3.11condaactivategptac_venvpython-mpipinstall-rrequirements.txtpython-mpipinstall-rrequest_llm/requirements_chatglm.txtpytho
1、简介ChatGLM-6B是一个开源的、支持中英双语的对话语言模型，基于GeneralLanguageModel(GLM)架构，具有62亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4量化级别下最低只需6GB显存）。ChatGLM-6B使用了和ChatGPT相似的技术，针对中文问答和对话进行了优化。经过约1T标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62亿参数的ChatGLM-6B已经能生成相当符合人类偏好的回答。GitHub：https://github.com/THUDM/ChatGLM-6B2、硬件要求量化等级最低GPU显存（推
我们在使用chatglm-6B的时候，总会遇到一个问题。即学习率如何确定。我们首先先看chatglm的两个训练用sh文件的学习率是如何确定的。一、如何第一时间确定学习率我们可以看到在chatglm给的标准中，对于聊天的训练所默认的学习率是要小于训练广告词的，两者的区别在于，广告词有更多重合性质的prompt，而聊天更加发散。所以在训练前你要自己评估，你给出来的训练内容内容的发散程度是否大，如果很发散，那么调小学习率，如何prompt很集中，那么可以在初期调一个相对比较大的学习率。这个学习率可以以2e-2为标准，在5e-2和5e-3之间选择一个开始。二、相对较好的学习率我们一定要理解一个问题，学
1.ChatGLM介绍ChatGLM-6B是一个开源的、支持中英双语的对话语言模型，基于GeneralLanguageModel(GLM)架构，具有62亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4量化级别下最低只需6GB显存）。ChatGLM-6B使用了和ChatGPT相似的技术，针对中文问答和对话进行了优化。经过约1T标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62亿参数的ChatGLM-6B已经能生成相当符合人类偏好的回答，代码链接👇🏻ChatGLM_实战_信息抽取2.场景说明由于工作原因，需要对机器上的文本进行分类。其核心功能就
