系列文章目录本地部署StableDiffusion教程，亲测可以安装成功StableDiffusion界面参数及模型使用文章目录系列文章目录前言一、Colab是什么？二、操作步骤1.找到对应的脚本2.在谷歌Colab里执行脚本3.装载想要的模型4.开始绘图前言在之前的博客里，我们提到本地电脑部署StableDiffusion安全又方便，可以无限生成图片，但是对自己电脑的显卡有一定要求（显存最好大于4G）。如果我们的电脑配置较低，但也想用StableDiffusion无限生成图片，本文介绍一种GoogleColab云端部署的方式，前提是要有谷歌账号且能正常访问谷歌网站。一、Colab是什么？Co
StableDiffusionWebuiAI本地部署基本分为两种方式：1、使用大佬的打包好的安装包一键部署b站秋葉aaaki2、手动部署（个人实践记录）参考文章本地部署基本要求1、需要拥有NVIDIA显卡，GTX1060（或者同等算力的N卡）以上，显存4G以上。2、操作系统需要win10或者win11的系统。3、内存16G或者以上，至少有一个128G以上的SSD固态硬盘。4、会使用科学上网。5、我的配置：CPUR55600H,显卡：GTX1650，4G显存，内存16G部署算法环境简单来说就是创建python3.10.6环境+git拉取webUI项目+下载CUDA+下载AI模型+运行项目一、创建
大家好，距离上一次发表csdn已经好几个月了，中间因为太忙，所以无暇顾及，今天就来教大家最近比较火的StableDifussion，记住红色圈圈的字【免费】最近AI大火，但鉴于Midjourney实在买不起，买了还得爬梯子，真费劲，所以很多选择了免费开源的StableDifussion，但是，烧显卡啊！！！硬件太贵，CPU又太费时，我琢磨了很久，最终选择了上云，结果现在正是各大厂商收割的季节，最终就搞了台本地电脑，硬是用4G的显卡烧了半个月，不过真的很费时，昨天有个朋友说，阿里云可以免费运行StableDifussion，把我一激灵，立马安排上了，具体链接如下：阿里云免费试用-阿里云阿里云免费
GuidedDiffusion/DiffusionModelsBeatGANsonImageSynthesis(Paperreading)PrafullaDhariwal,OpenAI,NeurlPS2021,Cited:555,Code,Paper.目录子GuidedDiffusion/DiffusionModelsBeatGANsonImageSynthesis(Paperreading)1.前言2.整体思想3.方法4.总结1.前言对于条件图像合成，我们通过分类器指导进一步提高样本质量：一种简单、计算效率高的方法，使用分类器的梯度来权衡样本质量的多样性。我们在ImageNet128×128
Diffusion-GAN:将GAN与diffusion一起训练 paper：https://arxiv.org/abs/2206.02262code：GitHub-Zhendong-Wang/Diffusion-GAN:OfficialPyTorchimplementationforpaper:Diffusion-GAN:TrainingGANswithDiffusion 第一行从左向右看是diffusionforward的过程，不断由 realimage进行diffusion，第三行从右向左看是由noise逐步恢复成fakeimage的过程，第二行是鉴别器D，D对每一个timestep
❤️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
今天我会分享更简单的整合包安装，以及考虑到有些朋友的电脑硬件可能不给力，也分享一种最简单的云端安装方式。最后还会分享好用的绘画插件以及AI绘画资源包，值得收藏和分享。更多StableDiffusion 教程：一、一键安装 Stablediffusion 整合包对于使用windows系统的朋友来说，推荐使用B站大佬秋葉aaaki的整合包。整合包安装特别简单，也没什么太多值得写的东西，大家自行去B站看这个教程：或者在文末和开头用我整合在一起的AI绘画资料包也可以，我把整合包、插件包和模型都放在一起了，方便大家下载安装。二、云端安装这里也再重新写下，方法会更简单。这个过程，网速快的话，不到3分钟安装
机器学习——KNN算法文章目录机器学习——KNN算法前言一、KNN原理基础二、sklearn的基本建模流程三、KNN算法调优：选取最优的K值四、KNN中距离的相关讨论1.KNN使用的是什么距离？2.距离类模型的归一化需求五、KNN算法的优缺点前言机器学习笔记一、KNN原理基础KNN的算法原理，可以简单如下描述：一个数据集中存在多个已有标签的样本值，这些样本值共有的n个特征构成了一个多维空间N。当有一个需要预测/分类的样本x出现，我们把这个x放到多维空间n中，找到离其距离最近的k个样本，并将这些样本称为最近邻（nearestneighbour）。对这k个最近邻，查看他们的标签都属于何种类别，根据
1.算法原理（K-NearestNeighbor）本质是通过距离判断两个样本是否相似，如果距离够近就认为他们足够相似属于同一类别找到离其最近的k个样本，并将这些样本称之为「近邻」(nearestneighbor)。对这k个近邻，查看它们的都属于何种类别（这些类别我们称作「标签」(labels)）。然后根据“少数服从多数，一点算一票”原则进行判断，数量最多的的标签类别就是新样本的标签类别。其中涉及到的原理是“越相近越相似”，这也是KNN的基本假设。2.实现过程和距离的确定1）实现过程假设X_test待标记的数据样本，X_train为已标记的数据集。遍历已标记数据集中所有的样本，计算每个样本与待标
