一个项目体验stable-diffusion、waifu、NovelAI三大模型！

#下面的只能生成512 x 1024 的图，再大像素会报错 ，第一次运行后记得重启  ，第一次运行后记得重启 ，第一次运行后记得重启 
import os
from IPython.display import clear_output
from utils import check_is_model_complete
print('正在解压模型')
if not check_is_model_complete("./NovelAI_latest_ab21ba3c_paddle"): # 解压 latest 模型
    !unzip -o "/home/aistudio/data/data171442/NovelAI_latest_ab21ba3c_paddle.zip" 

# if not check_is_model_complete("./model_pruned_paddle"): # full 模型
#     !unzip -o "/home/aistudio/data/data171442/NovelAI_pruned_paddle.zip"

if not os.path.exists("diffusers_paddle"): 
    !unzip -o diffusers_paddle.zip
print('正在安装库')
!pip install --upgrade pip  -i https://mirror.baidu.com/pypi/simple
!pip install -U fastcore paddlenlp ftfy regex --user  -i https://mirror.baidu.com/pypi/simple
!pip install --upgrade paddlenlp  -i https://mirror.baidu.com/pypi/simple
print('正在安装新版飞桨')
# 如果需要生成 768 x 1024 则去掉下两行开头的井号运行一次 (运行成功一次即可), 但是可能卡, 建议挑人少的时候
#!mv /home/aistudio/data/data168051/paddlepaddle-develop.whl /home/aistudio/data/data168051/paddlepaddle_gpu-0.0.0.post112-cp37-cp37m-linux_x86_64.whl
#!pip install "/home/aistudio/data/data168051/paddlepaddle_gpu-0.0.0.post112-cp37-cp37m-linux_x86_64.whl" --user
clear_output() # 清理很长的内容
print('加载完毕, 下次不用再运行这里了')
加载完毕, 下次不用再运行这里了

重新启动项目也从这里开始

三、重启内核！重新启动项目也从这里开始

点击上边栏的“重启内核” 重启内核图：

四、下载及解压SD预训练模型及waifu模型！

最后一步，点击左上角的“点击运行”运行下面的代码，等几秒加载模型就可以玩耍啦~ 以后每次进来直接运行下面这个就行啦~

In [ ]

# 下载及解压SD预训练模型及waifu模型 ，可能需要比较长的时间
import os
if not os.path.exists("CompVis-stable-diffusion-v1-4"):
    !wget https://paddlenlp.bj.bcebos.com/models/community/CompVis/stable-diffusion-v1-4/CompVis-stable-diffusion-v1-4.tar.gz
    !tar -zxvf CompVis-stable-diffusion-v1-4.tar.gz
    !rm -rf CompVis-stable-diffusion-v1-4.tar.gz
if not os.path.exists("waifu-diffusion"):
    !wget http://bj.bcebos.com/paddlenlp/models/community/hakurei/waifu-diffusion/waifu-diffusion.tar.gz #waifu-diffusion-v1-2
    !tar -zxvf waifu-diffusion.tar.gz
    !rm -rf waifu-diffusion.tar.gz
    #!wget https://paddlenlp.bj.bcebos.com/models/community/hakurei/waifu-diffusion/waifu-diffusion-v1-3.tar.gz #waifu-diffusion-v1-3 注意下面移动和解压
    #!tar -zxvf waifu-diffusion-v1-3.tar.gz
    #!rm -rf waifu-diffusion-v1-3.tar.gz   
    !unzip -o "data/data168051/stable-diffusion-v1-4.zip" 
    !unzip -o "sd-concepts-library.zip"
# if not os.path.exists("trinart_stable_diffusion_v2_95k"):
#     !wget http://bj.bcebos.com/paddlenlp/models/community/naclbit/trinart_stable_diffusion_v2/trinart_stable_diffusion_v2_95k.tar.gz
#     !tar -zxvf trinart_stable_diffusion_v2_95k.tar.gz
#     !rm -rf trinart_stable_diffusion_v2_95k.tar.gz

核心重启及项目重启后从这里开始执行

In [17]

# 模型和权重加载都在这里,pipe 加载的权重,vae_path 加载的本体,如果第一次运行下面报错, 就重启内核重新运行一次
from diffusers_paddle import StableDiffusionPipeline, StableDiffusionImg2ImgPipeline
import paddle
from utils import save_image_info
import os
pipe = StableDiffusionPipeline.from_pretrained("./CompVis-stable-diffusion-v1-4") # 加载SD默认权重
#pipe = StableDiffusionPipeline.from_pretrained("./waifu-diffusion") # 加载waifu权重
#pipe = StableDiffusionPipeline.from_pretrained("./NovelAI_latest_ab21ba3c_paddle") # 加载NovelAI权重
# pipe = StableDiffusionPipeline.from_pretrained("./model_pruned_paddle")

vae_path = 'stable-diffusion-v1-4/model_state.pdparams'  # 加载 SD默认  模型
#vae_path = 'waifu-diffusion/unet/model_state.pdparams'   # 加载 waifu  模型
#vae_path = './NovelAI_latest_ab21ba3c_paddle/vae/animevae.pdparams' # 加载 NovelAI vae 模型
pipe.vae.load_state_dict(paddle.load(vae_path)) # 换用更好的 vae (有效果!)

# 图生图
pipe_i2i = StableDiffusionImg2ImgPipeline(vae=pipe.vae,text_encoder=pipe.text_encoder,tokenizer=pipe.tokenizer,
unet=pipe.unet,scheduler=pipe.scheduler,safety_checker=pipe.safety_checker,feature_extractor=pipe.feature_extractor)
print('加载完毕')
加载完毕

In [1]

from ui import gui_txt2img # 文生图
display(gui_txt2img.gui) # 生成的图片自动保存到左侧的 outputs 的文件夹里
VBox(children=(Textarea(value='extremely detailed CG unity 8k wallpaper,black long hair,cute face,1 adult girl…

In [3]

from ui import gui_img2img # 图生图, 在左侧上传图片, 然后修改 "需要转换的图片路径"
display(gui_img2img.gui) # 生成的图片自动保存到左侧的 outputs 的文件夹里
VBox(children=(Textarea(value='Kurisu Makise, looking at viewer, long hair, standing, 1girl, hair ornament, ha…

In [2]

from ui import gui_superres # 超分 (图片放大一倍), 在左侧上传图片, 然后修改 "需要超分的图片路径"
display(gui_superres.gui) # 生成的图片自动保存到左侧的 outputs 的文件夹里
VBox(children=(Text(value='image_Kurisu.png', description='需要超分的图片路径', layout=Layout(width='100%'), style=Desc…

常见问题

Q: 加载文件 main.ipynb 时出错 failed to fetch 错误是什么问题？

A:项目文件比较大有可能是挂载的问题，需要重新退出项目后再点启动项目试试，10.15后的版本已精简main文件。重新进入项目因加载模型过多各文件下的图片可能依然存在failed to fetch 错误，直接生成新图片即可.退出项目时记得保存生存图片并清理特定文件夹同时清除全部输出！！！

Q: 能不能用使用自己训练的模型啊？

A: 可以的, 这里有2种训练方法https://aistudio.baidu.com/aistudio/projectdetail/4592929?channelType=0&channel=0。直接把模型上传到sd-concepts-library 文件里后就能使用，后期考虑添加相关的2种训练方法 inversion 和dreambooth 方法

Q: 能不能用中文描述啊？

A: 可以的, 但是效果不如英文。因为模型是用英语文本训练的。（可以去翻译软件里翻译一下）

Q: 生成的图怎么都一样的？

A: 如果设定了相同的随机数种子且其它参数相同，则生成的图也是一样的。

Q: 生成的时候进度条卡住，然后弹出一个框框：The kernel for main.ipynb appears to have died. It will restart automatically.？

A: 生成图片尺寸太大了！可以重启内核改用较小的尺寸，或者重新进入更换更大的 GPU。

Q: 其它神秘问题？

A: 请去评论区进讨论群。如果是默认的参数无法生成，可以删除该项目重新 Fork 一份从头开始。

非界面版（推荐）

如果你不满足于上面的界面玩法, 那么不妨来试试下面的部分！（下面有图生图哦）

如果第一次运行下面报错, 不要惊慌！重启内核重新运行一次！

文生图

参数:

height 图片高度（常用 512,768,1024等）
width 图片宽度（常用 512,768,1024等）
seed 随机数种子（如果是None则为自动随机）
steps 生成步数
cfg 引导比例
prompt 描述内容
negative_prompt 反面描述内容

注：生成图片尺寸越大, 则需要时间越久

注: 描述内容太长的话, 可以用右斜线换行.

生成的图都在 outputs 文件夹里。

In [ ]

height = 512
width  = 768
seed   = 3354985548
steps  = 50
cfg    = 7    
prompt = "miku, looking at viewer, long hair, standing, 1girl, hair ornament, hair flower, cute, jacket, white flower, white dress 精灵耳朵"
#negative_prompt = "{mucha},{extremely detailed 4K CG},{original}, {{masterpiece}},lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, 
#cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"


image = pipe(prompt,height=height,width=width,num_inference_steps=steps,guidance_scale=cfg,seed=seed,negative_prompt=negative_prompt).images[0]
print('Seed =', image.argument['seed'])
display(image)
save_image_info(image, path = './jpgout/') # 保存图片到指定位置

In [3]

image.argument # 查看图片生成使用的参数
{'prompt': 'miku, looking at viewer, long hair, standing, 1girl, hair ornament, hair flower, cute, jacket, white flower, white dress',
 'height': 512,
 'width': 768,
 'num_inference_steps': 50,
 'guidance_scale': 7,
 'negative_prompt': 'lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry',
 'eta': 0.0,
 'seed': 1835537382,
 'latents': None}

批量文生图

参数:

number 生成图片数量

注：批量就不要设置种子, 否则出来的图都一样。

生成的图都在 outputs 文件夹里。

In [ ]

# 批量文生图
number = 2
height = 768 
width  = 512
steps  = 50
cfg    = 17.5  
prompt = "kitsune made out of flames, digital art, synthwave  . "
negative_prompt = "{mucha},{extremely detailed 4K CG},{original}, {{masterpiece}},lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"

for i in range(number):
    image = pipe(prompt,height=height,width=width,num_inference_steps=steps,guidance_scale=cfg,negative_prompt=negative_prompt).images[0]
    save_image_info(image, path = './jpgout/')
    display(image)

In [ ]

# 批量文生图
number = 2
height = 768 
width  = 512
steps  = 50
cfg    = 17.5  
prompt = "kitsune made out of flames, digital art, synthwave  . "
negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"

for i in range(number):
    image = pipe(prompt,height=height,width=width,num_inference_steps=steps,guidance_scale=cfg,negative_prompt=negative_prompt).images[0]
    save_image_info(image, path = './jpgout/')
    display(image)

图生图

参数:

path 图片路径（在左边上传图片）
steps 生成步数
seed 随机数种子（如果是 None 则为自动随机）
strength 修改强度（默认 0.8）
cfg 引导比例（默认 7.5）
prompt 描述内容
negative_prompt 反面描述内容

注: 描述内容太长的话, 可以用右斜线换行.

生成的图都在 outputs 文件夹里。

In [ ]

path     = "image_Kurisu.png"
steps    = 50
seed     = 20221008
strength = 0.8
cfg      = 7.5
prompt = "kitsune made out of flames, digital art, synthwave "
negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"
    

from utils import ReadImage
init_image = ReadImage(path, height=-1, width=-1) # -1 为自动判断图片大小
image2 = pipe_i2i(prompt,init_image=init_image,num_inference_steps=steps,strength=strength,guidance_scale=cfg,seed=seed,negative_prompt=negative_prompt)[0][0]
print('Seed =', image2.argument['seed'])
display(image2)
save_image_info(image2, path = './outputs/') # 保存图片到指定位置

In [9]

image2.argument # 查看图片生成使用的参数
{'prompt': 'Kurisu Makise',
 'init_image': ,
 'strength': 0.8,
 'num_inference_steps': 50,
 'guidance_scale': 7.5,
 'negative_prompt': 'lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry',
 'eta': 0.0,
 'seed': 20221008}

批量图生图

参数:

number 生成图片数量

注：批量就不要设置种子, 否则出来的图都一样。

生成的图都在 outputs 文件夹里。

In [ ]

number   = 10
path     = "https://ai-studio-static-online.cdn.bcebos.com/8fd3b886d3734792bf5532d789de2ed461420e9823794cc0b0c6ff86f2610db9" #替换了一个网络图片
steps    = 50
strength = 0.8
cfg      = 13.5
prompt = "miku is Sitting on a wooden chair with porcelain on a wooden multi-purpose shelf behind her while With incense burner at the top of the shelf, looking at viewer, long hair, standing, 1girl, hair ornament, hair flower, cute, jacket, white flower, white dress"
negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"
    

from utils import ReadImage
init_image = ReadImage(path, height=-1, width=-1) # -1 为自动判断图片大小
for i in range(number):
    image2 = pipe_i2i(prompt,init_image=init_image,num_inference_steps=steps,strength=strength,guidance_scale=cfg,negative_prompt=negative_prompt)[0][0]
    save_image_info(image2, path = './outputs/')
    display(image2)

训练模型生图

直接用了凉心半浅良心人的代码
**需要自己训练自己对象和风格的直接点 **

Stable Diffsuion textual_inversion训练

https://aistudio.baidu.com/aistudio/projectdetail/4592929?channelType=0&channel=0

In [ ]

learned_embeded_path = "sd-concepts-library/Marc_Allante-style.pdparams"
for token, embeds in paddle.load(learned_embeded_path).items():
    pipe.tokenizer.add_tokens(token)
    pipe.text_encoder.resize_token_embeddings(len(pipe.tokenizer))
    token_id = pipe.tokenizer.convert_tokens_to_ids(token)
    with paddle.no_grad():
        pipe.text_encoder.get_input_embeddings().weight[token_id] = embeds

prompt = f"a colorful color painting of {token} styles ,kitsune made out of flames, digital art, synthwave.  "  #如果不是图片风格是物体 使用a photo of a {token}
# negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"
num_samples = 1 #图片数量 
images = pipe([prompt] * num_samples, height=704, width=512, num_inference_steps=50 , guidance_scale=7.5,seed=1788937216).images

for img in images:
    display(img)
    save_image_info(img, path = './learnout/')

In [ ]

learned_embeded_path = "sd-concepts-library/hitokomoru-style.pdparams"
for token, embeds in paddle.load(learned_embeded_path).items():
    pipe.tokenizer.add_tokens(token)
    pipe.text_encoder.resize_token_embeddings(len(pipe.tokenizer))
    token_id = pipe.tokenizer.convert_tokens_to_ids(token)
    with paddle.no_grad():
        pipe.text_encoder.get_input_embeddings().weight[token_id] = embeds

prompt = f"a colorful color painting of {token} styles ,kitsune made out of flames, digital art, synthwave.  "
# negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"
num_samples = 1 #图片数量 
images = pipe([prompt] * num_samples, height=704, width=512, num_inference_steps=50, guidance_scale=17.5,seed=2788937216).images

for img in images:
    display(img)

自训练模型批量图生图

参数:

pipe 加载的权重
learned_embeded_pat
numg = 50 #生成图片数量

注：批量就不要设置种子, 否则出来的图都一样。

生成的图都在 outputs 文件夹里。

In [ ]

# 加载权重文件
pipe = StableDiffusionPipeline.from_pretrained("./waifu-diffusion")
#pipe = StableDiffusionPipeline.from_pretrained("./CompVis-stable-diffusion-v1-4")
#pipe = StableDiffusionPipeline.from_pretrained("./NovelAI_latest_ab21ba3c_paddle")
# 加载sd-concepts-library中的训练模型 
learned_embeded_path = "sd-concepts-library/huang-guang-jian-style.pdparams"

In [ ]

# 自训练模型生成多张图片

for token, embeds in paddle.load(learned_embeded_path).items():
    pipe.tokenizer.add_tokens(token)
    pipe.text_encoder.resize_token_embeddings(len(pipe.tokenizer))
    token_id = pipe.tokenizer.convert_tokens_to_ids(token)
    with paddle.no_grad():
        pipe.text_encoder.get_input_embeddings().weight[token_id] = embeds

import time
timestring = time.strftime('%Y%m%d%H%M%S') #a colorful painting of {token} styles,
prompt = f"a colorful color painting of {token} styles ,kitsune made out of flames, digital art, synthwave.  "
negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"
numg = 50 #图片数量 
num_samples = 1
for _ in range(numg):
    with paddle.no_grad():
                image = pipe([prompt] * num_samples,num_inference_steps=100,width=1024,height=512,negative_prompt=[negative_prompt],guidance_scale=13.5).images[0]
                timestring = time.strftime('%Y%m%d%H%M%S')
                image.save(f"./learnout/{timestring}_.png")
                #               image.save(f"./jpg/{timestring}.png")
    with open(f'./learnout/{timestring}.txt', 'w') as f: 
                print(image.argument,file = f)
    display(image.argument)     
    display(image)

清理特定文件夹

确保已经下载该文件且压缩文件能正常打开

如果清理后退出内核，需要清除本文档的全部输出避免加载出错
会清空相应文件夹下所有文件运行前务必保存，运行前务必保存，运行前务必保存
打包下载100M以上的文件有可能出现压缩包错误，所以就算下载后也务必检查避免删除没保存的图

In [31]

# 清理文件夹使用 确保已经下载文件
#删除文件夹下面的所有文件(只删除文件,不删除文件夹)
import os
import shutil
#python删除文件的方法 os.remove(path)path指的是文件的绝对路径,如：
def del_file(path_data):
    for i in os.listdir(path_data) :# os.listdir(path_data)#返回一个列表，里面是当前目录下面的所有东西的相对路径
        file_data = path_data + "/" + i#当前文件夹的下面的所有东西的绝对路径
        if os.path.isfile(file_data) == True:#os.path.isfile判断是否为文件,如果是文件,就删除.如果是文件夹.递归给del_file.
            os.remove(file_data)
        else:
            del_file(file_data)
#path_data = r"jpgout" # 删除TXT 生成的文件
path_data = r"outputs" #删除图生图 生成的文件
#path_data = r"learnout" #删除自训练文生图 生成的文件
del_file(path_data)

更新

2022年10月15日

增加waifu-diffusion-v1-3版本，部分自训练模型在此权重下有可能过拟合，尽量选择2000step以下的自训练模型
精简mian

2022年10月14日

初步加载三大模型修正一些错误增加自训练模型及其批量生产图
最近人多可能第一步就很卡. 有问题可以去讨论区进交流.
之前能用的, 可以通过下载 ui.py, utils.py, main.ipynb 文件替换原来的文件进行更新, 避免新的环境再次解压卡住.
现在还会保存 vae 到云端自己的环境中, 避免每次都访问数据集卡住.

致谢

感谢 “四行PaddleNLP代码体验Stable Diffusion” 的作者 forever豪3。 https://aistudio.baidu.com/aistudio/projectdetail/4666819?channelType=0&channel=0
感谢 “四行PaddleNLP代码体验Stable Diffusion” 的作者凉心半浅良心人与 diffusers_paddle。 https://aistudio.baidu.com/aistudio/projectdetail/4459390
感谢 PaddleNLP, 以上使用到了PaddleNLP框架，开源不易，希望大家多多支持~

10月底 **，PaddleNLP将会支持Stable Diffusion模型的**训练以及微调，敬请期待~

如果对您有帮助，记得点个小小的Star⭐，收藏起来，不易走丢~

结语

麻烦不要滥用模型哦~

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  – L1.4.1 知识大模型
  – L1.4.2 生产大模型
  – L1.4.3 模型工程方法论
  – L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  – L2.1.1 OpenAI API接口
  – L2.1.2 Python接口接入
  – L2.1.3 BOT工具类框架
  – L2.1.4 代码示例
- L2.2 Prompt框架
  – L2.2.1 什么是Prompt
  – L2.2.2 Prompt框架应用现状
  – L2.2.3 基于GPTAS的Prompt框架
  – L2.2.4 Prompt框架与Thought
  – L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  – L2.3.1 流水线工程的概念
  – L2.3.2 流水线工程的优点
  – L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  – L3.1.1 Agent模型框架的设计理念
  – L3.1.2 Agent模型框架的核心组件
  – L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  – L3.2.1 MetaGPT的基本概念
  – L3.2.2 MetaGPT的工作原理
  – L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  – L3.3.1 ChatGLM的特点
  – L3.3.2 ChatGLM的开发环境
  – L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  – L3.4.1 LLAMA的特点
  – L3.4.2 LLAMA的开发环境
  – L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景

学习计划：

阶段1：1-2个月，建立AI大模型的基础知识体系。
阶段2：2-3个月，专注于API应用开发能力的提升。
阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓

文章来源于互联网:一个项目体验stable-diffusion、waifu、NovelAI三大模型！

一个项目体验stable-diffusion、waifu、NovelAI三大模型！

一、进入 Notebook

二、代码开始第一步运行下面的代码！

重新启动项目也从这里开始

三、重启内核！重新启动项目也从这里开始

四、下载及解压SD预训练模型及waifu模型！

核心重启及项目重启后从这里开始执行

常见问题

非界面版（推荐）

如果第一次运行下面报错, 不要惊慌！重启内核重新运行一次！

文生图

批量文生图

图生图

批量图生图

训练模型生图

自训练模型批量图生图

清理特定文件夹

更新

致谢

结语

如何系统的去学习大模型LLM ？

一、全套AGI大模型学习路线

二、640套AI大模型报告合集

三、AI大模型经典PDF籍

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

阶段2：AI大模型API应用开发工程

阶段3：AI大模型应用架构实践

阶段4：AI大模型私有化部署

学习计划：

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】

相关推荐

对比kimi、通义千问、文心一言的写代码能力

热门文章

AI大模型,我们的未来

一、进入 Notebook

二、代码开始第一步 运行下面的代码！

重新启动项目也从这里开始

三、重启内核！ 重新启动项目也从这里开始

四、下载及解压SD预训练模型及waifu模型！

核心重启及项目重启后从这里开始 执行

常见问题

非界面版 （推荐）

如果第一次运行下面报错, 不要惊慌！重启内核重新运行一次！

文生图

批量文生图

图生图

批量图生图

训练模型生图

自训练模型批量图生图

清理特定文件夹

更新

致谢

结语

如何系统的去学习大模型LLM ？

一、全套AGI大模型学习路线

二、640套AI大模型报告合集

三、AI大模型经典PDF籍

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

阶段2：AI大模型API应用开发工程

阶段3：AI大模型应用架构实践

阶段4：AI大模型私有化部署

学习计划：

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相关推荐

对比kimi、通义千问、文心一言的写代码能力

热门文章

AI大模型,我们的未来

二、代码开始第一步运行下面的代码！

三、重启内核！重新启动项目也从这里开始

核心重启及项目重启后从这里开始执行

非界面版（推荐）

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】