stablediffusion微调总结stablediffusion模型类别：SDSD2SDXLSDXLLCM（潜在一致性模型）SDXLDistilledSDXLTurbo安装accelerate通过pip安装配置accelerateconfig查看配置安装diffusers数据处理BLIP模型优化微调方法Dreambooth微调准备数据：模型训练脚本：模型推理：模型转换脚本：Dream+LORA微调模型训练脚本：模型推理脚本：FullFineTune数据格式：训练脚本：推理脚本LORA微调数据格式：训练脚本：推理脚本：stablediffusion模型类别：SDSD是一个基于latent的扩
介绍：本文通过学习誉天教材云计算PDF文档教程（PDF资料需要可在网上找人要或直接私信本人免费获取）对云计算基础知识进行总结。很多描述仅为个人理解，若有错误欢迎指出~云计算很多人接触这个词脑海里都会想：什么是云计算？说法很多，广为接受的说法是云计算是一种模型，它可以随时随地、便捷地、随需应变地从可配置计算资源共享池中获取所需的资源（例如，网络、服务器、存储、应用及服务），资源能够快速供应并释放，使管理资源的工作量和与服务提供商的交互减小到最低限度。由于实际设备运维的成本相对较高，并且会影响整体的效果，因此为节约用户的成本，需要将物理设备以虚拟化（这个虚拟化在底层仍需硬件设备的支持，详情见HCI
文章目录算法总结-----到处搜集整理的，大多数来自acwingy总一、基础算法1、快速排序2、归并排序3、二分整数二分浮点数二分4、高精度算法高精度加法高精度减法高精度乘法高精度除法5、前缀与差分一维前缀和二维前缀和一维差分二维差分6、双指针算法最长连续不重复子序列子序列的目标和7、位运算8、离散化9、区间合并二、数据结构单链表双链表栈队列普通队列循环队列单调栈单调队列KMP算法Trie树Trie字符串统计求最大异或对并查集连通块中点的数量堆一般哈希字符串哈希STL简介三、搜索与图论树与图的存储树与图的遍历拓扑排序朴素dijkstra算法堆优化版dijkstra算法Bellman-Ford算
Python 基于OpenCV视觉图像处理实战 之背景知识目录Python 基于OpenCV视觉图像处理实战 之背景知识一、简单介绍二、人工智能（ArtificialIntelligence，AI）三、OpenCV四、计算机视觉任务的主要类型五、计算机视觉是通过创建人工模型来模拟本该由人类执行的视觉任务。一、简单介绍Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域：Web和Internet开发、科学计
MySQL知识点总结（五）——锁锁分类表锁&行锁如何添加表锁？如何添加行锁？读锁&写锁行锁&间隙锁（gaplock）&临键锁（next-keylock）加锁机制分析可重复读隔离级别下的加锁机制唯一索引等值查询非唯一索引等值查询范围查询读已提交隔离级别下的加锁机制如何强行释放锁锁是每一个关系型数据库都肯定会有的一种处理并发读写冲突的机制。通过加锁，当前事务可以保证它加了锁的行记录，不被别的事务修改，保证了事务的隔离性。保证事务隔离性的机制，除了加锁以外，还有MVCC，那什么时候加锁，什么时候使用MVCC机制呢？在一个事务中，当我们的查询语句显式的加锁，也就是“select…lockinshare
selenium一、前期准备1、概述selenium本身是一个自动化测试工具。它可以让python代码调用浏览器。并获取到浏览器中加载的各种资源。我们可以利用selenium提供的各项功能。帮助我们完成数据的抓取。2、学习目标掌握selenium发送请求，加载网页的方法掌握selenium简单的元素定位的方法掌握selenium的基础属性和方法掌握selenium退出的方法3、安装安装：pipinstallselenium它与其他库不同的地方是他要启动你电脑上的浏览器,这就需要一个驱动程序来辅助.这里推荐用chrome浏览器chrome驱动地址:http://chromedriver.stor
Git概述工作区（写代码）--gitadd--暂存区（临时存储）--gitcommit--本地库（历史版本）--push--远程库代码托管中心局域网GitLab互联网GitHub（外网） Gitee码云（国内网站）Git常用命令ctrl+D:退出窗口全屏退出：ESC :wqi:表示insert插入，进入编辑模式 只能通过右键选项来选择复制粘贴vim命令使用大全vim命令大全-CSDN博客修改版本vimhello.txt进行编辑gitaddhello.txt临时存储gitcommit-m"版本注释"hello.txt存入本地库历史版本gitreflog查看版本历史信息gitlog查看版本详细
错误一览RuntimeError:NoCUDAGPUsareavailableTypeError:load()missing1requiredpositionalargument:'Loader'TypeError:Expectedstate_dicttobedict-like,gotRuntimeError:NoCUDAGPUsareavailable这个问题比较常见了，原因在于源代码需要多块gpu，而我们的电脑通常只有1块，参考：在这里我也是将源代码中的’2’改为了’0’：#os.environ["CUDA_VISIBLE_DEVICES"]='2'os.environ["CUDA_VIS
前端加密算法一、base64加解密算法简介：Base64算法使用64个字符（A-Z、a-z、0-9、+、/）来表示二进制数据的64种可能性，将每3个字节的数据编码为4个可打印字符。如果字节数不是3的倍数，将会进行填充。优点：可打印字符：Base64编码后的数据只包含可打印字符，不会出现乱码或无法传输的情况。广泛支持：Base64被广泛支持于各种编程语言和网络协议中，可以方便地应用于各种场景。简单易用：Base64的编码和解码很简单，只需要少量的代码即可完成。缺点：数据膨胀：Base64编码后的数据通常比原始数据要大约1/3左右，这意味着在传输大量数据时会增加传输的时间和带宽消耗。不加密：Bas
知识蒸馏Matchinglogits公式推导刚开始的怎么来，可以转看下面证明梯度等于输出值-标签yC是一个交叉熵，我们要求解的是这个交叉熵对的这个梯度。就是你可以理解成第个类别的得分。就是studentmodel，被蒸馏的模型，它所输出的logits。是什么？是targetprobability对吧。是什么？认为就是这个distilledmodel的输出的那个probability。所以就是说这两个概率相减，再乘以这个T分之一T是什么？T是一个温度。我们现在假定是说我们是用teachermodel输出的这个label，然后去训练studentmodel，或者说去训练distilledmodel
