在安装stable-diffusion-webui(1.2.1版本)之前需要确认win10本地电脑具有的环境1.显卡类型：NVIDIA（英伟达）建议显存高于4G以上，这样512*512的还是可以运行的2.python(版本必须最好是3.10.6）和git最新版正式安装找到stable-diffusion-webuihttps://github.com/AUTOMATIC1111/stable-diffusion-webui这里找到1.2.1版本下载压缩包后来安装(固定版本安装，那么相对来说出现的问题可以同步解决)运行webui-user.bat在这里等待下载(下载需要很长时间，如果这步下载不了
4月19号晚上11点，StableDiffusion的母公司StabilityAI重磅宣布，正式开源一款全新的大语言模型：StableLM。该模型的Alpha版本有30亿和70亿参数，并将于后续开放150亿和650亿的参数模型。StabilityAI的创始人EmadMostaque自2020年从OpenAI团队离开后，一直秉承着开源开放的理念，持续推出了多款AI开源模型。其中影响力最广的，便有大家所熟知的文本生成图像模型StableDiffusion。自去年8月发布以来，StableDiffusion在AIGC领域吸引了大量用户，也使得其母公司的估值水涨船高，去年10月便融资了1.01亿美元。
什么是StableDiffusion自从去年10月份StableDiffusion开源以来，仅过了半年的时间，如今它已经能够创作出精美细致的二次元插画，媲美真人的赛博Coser，以及具有独特风格的AI动画。无论你只是感兴趣，还是想了解AI绘画的潜力，又或者希望通过它为自媒体创建内容，甚至构建一些工具站点，本篇教程都将帮助你实现这些目标或者给你带来一些思路（关注我卫星公众号：更强大的AI，获取更多副业创业思路。这一技术的突破引起了许多人对AI绘画领域的关注。目前，AI绘画仍然是一个相对新的技能分支，在网上的教学内容相对有限，主要以视频教程为主。然而，视频教程并不容易回顾和参考。我打算写一系列公开
DiffusionModels专栏文章汇总：入门与实战 前言：DALL·E2、imagen、GLIDE是最著名的三个text-to-image的扩散模型，是diffusionmodels第一个火出圈的任务。这篇博客将会详细解读DALL·E2《HierarchicalText-ConditionalImageGenerationwithCLIPLatents》的原理。目录背景知识：CLIP简介方法概述方法详
这是一个开源项目，借花献佛，基于原作者的基础上进行了微调还有以及修改内容。支持中英文，权重以及xxxx词汇，老司机都懂。直接可在右侧根据需求进行点选操作，然后复制到自己的StableDiffusion中进行AI绘画。下载压缩包百度云盘夸克云盘文章目录使用教程启动服务关键词添加和修改使用教程安装nmp，如果你机器有的话可以忽略，如果没有在下载好的文件夹中安装node-v18.16.0-x64.msi工具。安装一直点击下一步下一步就可以了。启动服务在文件夹下使用powershell打开命令行。npminstall会进行安装然后输入命令启动服务。npmrunserve启动后会出现url网址链接，知己
文章目录（零）前言（一）什么是VAE（二）模型嵌入VAE了么（三）我们能做什么（3.1）准备常见的VAE（3.2）下载模型对应的VAE（3.3）快捷设置中打开VAE下拉列表选择（3.4）对比不同VAE生成的效果（零）前言本篇主要提及模型的VAE，通常情况下我们不用考虑它，但是有些特别是早期模型并没有整合VAE……更多不断丰富的内容参考：🔗《继续Stable-DiffusionWEBUI方方面面研究(内容索引)》（一）什么是VAEVAE（VariationalAuto-Encoder变分自动编码器）虽然简称是编码器，实际上是编码解码器（我们用到的就是解码器部分啊）。负责将把潜在表征重新转回图片形
Diffusion是一种深度生成模型（无监督生成模型），其属于机器学习-无监督学习-概率模型-生成模型。概率模型是为了求得数据的后验概率P(Y|X)或者联合概率P(X，Y）对于监督学习而言，判别模型主要是求后验概率，即根据输入的特征X去确定标签信息Y。生成模型主要是为了求得联合概率，对于X，求出X与不同标记之间的联合概率分布，取其中大的。举个例子假如我们需要解决一个分类问题，红色小三角使我们需要分类的对象。对于判别模型来说，判别模型训练出来的是这条决策边界，根据这红色小三角离决策边界的距离判定红色小三角属于哪一个类别。对于生成模型来说，学习到的是概率分布，图中我们有两个类，我们分别求红色小三
文章目录（零）前言（一）插件是个脚本（1.1）基本使用（零）前言本篇主要提到WEBUI似乎和主线剧情无关的插件，可以批量改变多张图片的面部为AI生成的内容。更多不断丰富的内容参考：🔗《继续Stable-DiffusionWEBUI方方面面研究(内容索引)》（一）插件是个脚本参考：🔗插件官网可以从WEBUI中直接安装。安装后在图生图最下面的脚本下拉列表中，它需要在【图生图】->【局部重绘(上传模板)】标签页中使用，如下：（1.1）基本使用虽然看上去选项很多，实际使用只需要给出想要处理的原始图片所在目录。也就是填写待处理图像路径这个就可以了。然后别忘记输入提示词（包括想换成哪个LoRA模型）。最后
GAI：发展历史，核心技术，应用领域以及未来发展摘要1、引言1.1、主要贡献1.2、组织结构2、生成式AI的发展历史2.1、NLP领域的发展2.2、CV领域的发展2.3、CV与NLP的融合3、AIGC的核心技术基础3.1、经典基础模型3.1.1、Transformer3.1.2、Pre-trainedLanguageModels（预训练语言模型）3.2、基于人类反馈的强化学习3.3、计算能力3.3.1、硬件设备3.3.2、分布式训练3.3.3、云计算4、生成式人工智能（GAI）4.1、单模态模型4.1.1、生成语言模型（GenerativeLanguageModels）4.1.2、视觉生成模型
1.前言stable_diffusion来了，这个号称是最强的文本生成图片的模型它来了，相比较DAEE等大模型，它能够让我们消费级的显卡也能够实现文本到图像的生成。下面，我们也来试一下。2.准备过程该服务器上必须要有的基础工具anaconda,wget,git和yum。令我吃惊的是，当我看到wget和yum互为前提的安装时，我头都大了。后来使用curl代替wget解决了yum的安装问题。3.执行过程由于有官方详尽的介绍，因此很容易完成项目的搭建。按照官方的地址，我们下载完源码。它是基于latent-diffusion而做的。创建环境condaenvcreate-fenvironment.yam
