文章目录前言-浅谈AIGCAIGC-引领人工智能走向春天春天里盛开的AI绘画AI绘画之StableDiffusion2.0登场人人都有机会成为前沿的技术探索者基于AmazonSageMaker进行StableDiffusion模型部署认识AmazonSageMaker借助AmazonSageMaker进行环境搭建和模型推理1.创建jupyternotebook运行环境2.一键运行所有代码关键代码分析如下1.环境准备，代码模型下载2.在Notebook中配置并使用模型3.部署模型至Sagemaker推理终端节点在AmazonCloud9创建前后端Web应用1.创建云服务实例，并进行web环境安装
文章目录前言-浅谈AIGCAIGC-引领人工智能走向春天春天里盛开的AI绘画AI绘画之StableDiffusion2.0登场人人都有机会成为前沿的技术探索者基于AmazonSageMaker进行StableDiffusion模型部署认识AmazonSageMaker借助AmazonSageMaker进行环境搭建和模型推理1.创建jupyternotebook运行环境2.一键运行所有代码关键代码分析如下1.环境准备，代码模型下载2.在Notebook中配置并使用模型3.部署模型至Sagemaker推理终端节点在AmazonCloud9创建前后端Web应用1.创建云服务实例，并进行web环境安装
AI绘画平台地址https://ai.feilianyun.cn/梵高星空关键字：VanGogh’spaintings，Starryskyinaforeigngalaxy,octanerender,ultrarealistic8KHD--ar9:16参考图：盔甲骑士关键字：kneelingcatknight,portrait,finelydetailedarmor,intricatedesign,silver,silk,cinematiclighting,4k,unrealengineCGI,artstationbyMakotoShinkaiandBeksinski,pixiv.参考图：风景画
AI绘画平台地址https://ai.feilianyun.cn/梵高星空关键字：VanGogh’spaintings，Starryskyinaforeigngalaxy,octanerender,ultrarealistic8KHD--ar9:16参考图：盔甲骑士关键字：kneelingcatknight,portrait,finelydetailedarmor,intricatedesign,silver,silk,cinematiclighting,4k,unrealengineCGI,artstationbyMakotoShinkaiandBeksinski,pixiv.参考图：风景画
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
2022图像翻译/扩散模型：UNIT-DDPM:UNpairedImageTranslationwithDenoisingDiffusionProbabilisticModels.UNIT-DDPM:无配对图像翻译与去噪扩散概率模型0.摘要1.概述2.相关工作2.1.Image-to-Image翻译2.1.1成对图像间翻译2.1.2未配对的图像间翻译2.2.扩散概率模型去噪3.方法3.1.模型训练3.2.图像翻译推理4.评估4.1.基线4.2.数据集4.3.通过UNIT-DDPM的图像到图像翻译4.4.结果4.5.消融实验4.6.局限5.结论参考文献0.摘要我们提出了一种新的无配对图像间翻译方
2022图像翻译/扩散模型：UNIT-DDPM:UNpairedImageTranslationwithDenoisingDiffusionProbabilisticModels.UNIT-DDPM:无配对图像翻译与去噪扩散概率模型0.摘要1.概述2.相关工作2.1.Image-to-Image翻译2.1.1成对图像间翻译2.1.2未配对的图像间翻译2.2.扩散概率模型去噪3.方法3.1.模型训练3.2.图像翻译推理4.评估4.1.基线4.2.数据集4.3.通过UNIT-DDPM的图像到图像翻译4.4.结果4.5.消融实验4.6.局限5.结论参考文献0.摘要我们提出了一种新的无配对图像间翻译方
目录创建数据集自写版KNN算法优化版KNN算法效果可视化创建数据集：创建一个电影分类数据集 接吻次数 打斗次数 电影类型3100动作片190动作片281动作片10110爱情片995爱情片982爱情片代码实现：defDataset():data=np.array([[3,100],[1,90],[2,81],[101,10],[99,5],[98,2]])labels=['动作片','动作片','动作片','爱情片','爱情片','爱情片']returndata,labels自写版KNN算法：代码实现：defKnn(in_data,train_data,train_
目录创建数据集自写版KNN算法优化版KNN算法效果可视化创建数据集：创建一个电影分类数据集 接吻次数 打斗次数 电影类型3100动作片190动作片281动作片10110爱情片995爱情片982爱情片代码实现：defDataset():data=np.array([[3,100],[1,90],[2,81],[101,10],[99,5],[98,2]])labels=['动作片','动作片','动作片','爱情片','爱情片','爱情片']returndata,labels自写版KNN算法：代码实现：defKnn(in_data,train_data,train_
