一级一人片日本一级一大片,久久精品女人的天堂av,日韩av电影一区二区三区四区

本書是對DiffusionAI繪圖模型的綜合性講解書籍，書中包括最基礎的組件的用例演示，也包括具體的項目實戰(zhàn)，以及Diffusion模型的底層設計思路和實現(xiàn)原理的介紹。通過本書的學習，讀者可以快速掌握Diffusion模型的使用方法，掌握AI繪圖模型的訓練、測試過程，并能研發(fā)屬于自己的AI繪圖模型。
本書共19章，分為快速上手篇（第1~2章），概述了Diffusion模型的發(fā)展歷史，介紹了開發(fā)環(huán)境的部署方法，以及Diffusion模型的快速上手演示。以文生圖的Diffusion模型的訓練方法篇（第3~7章），通過5個實戰(zhàn)任務演示使用高層API的方法快速訓練Diffusion模型。圖像生成模型的歷史發(fā)展篇（第8~12章），演示了前Diffusion時代的幾個代表性的圖像生成模型。以圖生圖的Diffusion模型的訓練方法篇（第13~15章），通過3個實戰(zhàn)項目演示了以圖生圖的Diffusion模型的訓練方法。以圖生圖模型的歷史發(fā)展篇（第16~18章），演示了前Diffusion時代的幾個以圖生圖模型。完全手動構造Diffusion模型篇（第19章），演示了從零開始的Diffusion模型的搭建、訓練、測試方法。
本書將使用最簡單淺顯的語言，帶領讀者快速地了解Diffusion模型的訓練、測試方法。通過本書中實戰(zhàn)項目的學習，讀者可以掌握一般的AI繪圖模型的研發(fā)流程。通過本書中Diffusion模型底層原理的學習，能夠讓讀者知其然也知其所以然，做到融會貫通。

自從AI繪圖技術面世以來，激發(fā)了很多人進行藝術創(chuàng)作的興趣，創(chuàng)作繪畫曾經(jīng)是一件有很高門檻的活動，然而現(xiàn)在，只要輸入一句描述文本，計算機就能根據(jù)文本的內(nèi)容生成相應的繪畫作品，并且在作畫的細節(jié)上表現(xiàn)得十分優(yōu)秀，甚至能超越很多職業(yè)畫師，讓畫師這一職業(yè)的發(fā)展前景看起來岌岌可危。
初見這種技術時，大多數(shù)人會被它的表現(xiàn)所震撼，筆者也不例外，這里的AI繪圖指的是以Diffusion模型為代表的以文生圖模型。事實上圖像生成并不是很新的技術，在Diffusion模型之前就已經(jīng)有自動編碼（Auto Encoder，AE）、生成對抗網(wǎng)絡（Generative Adversarial Network，GAN）等一系列模型，并且也都取得了很好的成績，之所以還是會被震撼到，是因為Diffusion模型把圖像生成這件事情一下子提高到了過去無法企及的高度，尤其是作畫的質(zhì)量，是過去的模型無法相比的，Diffusion模型生成的圖像很清晰，還能使用文本控制圖像的內(nèi)容，過去的模型想生成一張清晰的圖片，難度就已經(jīng)不小了，更不用說再去控制圖像的內(nèi)容了。
Diffusion模型優(yōu)秀的地方還在于生成內(nèi)容的豐富性上，無論描述文本的內(nèi)容是自然風景、古典建筑、人物肖像、動漫卡通，還是可愛的小動物，都可以很自然地生成，這體現(xiàn)了Diffusion模型巨大的知識量，說明它見過的圖像和文本是海量的，這和過去的傳統(tǒng)模型拉開了差距。自從BERT到ChatGPT以來，大模型的思想被不斷強化，Diffusion模型也符合大模型思想。
作為技術人員，可能會對Diffusion模型的底層原理非常感興趣，本書將從Diffusion模型的高層API開始，逐漸深入地講解Diffusion模型的底層原理。Diffusion模型中借鑒了一些歷史模型的經(jīng)驗，在接觸到這些知識時本書會作為單獨章節(jié)進行講解，以幫助讀者構建完整的知識體系。
本書中所有的實戰(zhàn)任務都配有完整的可執(zhí)行代碼，本書和書中代碼筆者都盡量以簡單、淺顯的語言書寫，盡量避免無意義的內(nèi)容，以幫助讀者快速、準確地理解本書中的知識。
通過本書的學習，讀者能夠快速地掌握Diffusion模型的構建、訓練、測試方法，并且能夠獨立研發(fā)屬于自己的Diffusion繪圖模型。

第1章介紹Diffusion模型的發(fā)展歷程，以及本書中相關任務的訓練方法。
第2章介紹開發(fā)環(huán)境的配置，并且快速上手Diffusion模型的使用。
第3章介紹不定圖像的生成任務。
第4章介紹文本訓練方法。
第5章介紹Dream Booth訓練方法。
第6章介紹圖文結合的訓練方法。
第7章介紹使用LoRA技巧加速訓練。
第8章介紹AE模型。
第9章介紹VAE模型。
第10章介紹DCGAN模型。
第11章介紹WGANGP模型。
第12章手動構造一個沒有文本輸入的Diffusion模型。
第13章介紹ControlNet組件。
第14章介紹Instruct Pix2Pix訓練方法。
第15章介紹正負樣本混合訓練方法。
第16章介紹Pix2Pix模型。
第17章介紹CycleGAN模型。
第18章介紹風格遷移任務。
第19章手動構建一個完整的Diffusion模型。
閱讀建議
本書是一本對Diffusion模型進行綜合性講解的書籍，既有基礎知識，也有實戰(zhàn)示例，也包括底層原理的講解。
本書盡量以簡潔的語言書寫，每個章節(jié)之間的內(nèi)容盡量獨立，使讀者可以跳躍閱讀而沒有障礙。
作為一本實戰(zhàn)型書籍，讀者要掌握本書的知識，務必要結合代碼調(diào)試，本書的代碼也盡量以簡潔的形式書寫，使讀者閱讀時不感吃力。每個代碼塊即是一個測試單元，讀者可以對每個程序的每個代碼塊按從上到下的順序進行測試，從一個個小知識點聚沙成塔，融會貫通。
資源下載提示
素材（源碼）等資源: 掃描封底的文泉云盤防盜碼，再掃描目錄上方的二維碼下載。
致謝
感謝HuggingFace社區(qū)無私的奉獻，因為有了你們的工作成果，本書才得以以簡潔、標準化的API面世。
在書寫本書的過程中，我竭盡所能為讀者呈現(xiàn)最好的內(nèi)容，錯漏難免會存在，敬請讀者批評指正。

李福林2023年11月

本書源碼

快速上手篇
第1章Diffusion模型3
1.1Diffusion模型介紹3
1.1.1Diffusion模型的演化之路4
1.1.2圖像以外的應用6
1.1.3其他的繪圖模型6
1.2微調(diào)預訓練模型6
1.2.1預訓練模型6
1.2.2微調(diào)模型以適應新數(shù)據(jù)7
1.2.3微調(diào)相比重新訓練的優(yōu)勢7
1.3小結8
第2章快速上手9
2.1部署開發(fā)環(huán)境9
2.2HuggingFace簡介和快速上手11
2.2.1快速上手11
2.2.2加速技巧12
2.3Diffusion模型相關組件介紹13
2.3.1tokenizer13
2.3.2scheduler15
2.3.3Encoder16
2.3.4VAE17
2.3.5UNet18
2.4小結20
訓練方法篇
第3章不定圖像的生成23
3.1任務簡介23
3.2數(shù)據(jù)集介紹23
3.3測試部分24
3.3.1測試函數(shù)24
3.3.2未訓練模型的測試結果25
3.3.3訓練后模型的測試結果27
3.4訓練部分28
3.4.1全局常量28
3.4.2定義數(shù)據(jù)集28
3.4.3定義模型30
3.4.4初始化工具類31
3.4.5計算loss32
3.4.6訓練34
3.5小結35
第4章文本訓練36
4.1任務簡介36
4.2數(shù)據(jù)集介紹36
4.3測試部分37
4.3.1測試函數(shù)37
4.3.2未訓練模型的測試結果38
4.3.3訓練后模型的測試結果39
4.4訓練部分39
4.4.1全局常量39
4.4.2定義數(shù)據(jù)集39
4.4.3定義模型44
4.4.4初始化工具類47
4.4.5計算loss47
4.4.6訓練50
4.5小結51
第5章Dream Booth53
5.1任務簡介53
5.2數(shù)據(jù)集介紹53
5.3測試部分54
5.3.1測試函數(shù)54
5.3.2未訓練模型的測試結果55
5.3.3訓練后模型的測試結果55
5.4訓練部分56
5.4.1全局常量56
5.4.2定義數(shù)據(jù)集56
5.4.3定義模型60
5.4.4初始化工具類61
5.4.5計算loss61
5.4.6訓練62
5.5小結64
第6章圖文結合的訓練65
6.1任務簡介65
6.2數(shù)據(jù)集介紹65
6.3測試部分66
6.3.1測試函數(shù)67
6.3.2未訓練模型的測試結果68
6.3.3訓練后模型的測試結果68
6.4訓練部分69
6.4.1全局常量69
6.4.2定義數(shù)據(jù)集69
6.4.3定義模型73
6.4.4初始化工具類73
6.4.5計算loss74
6.4.6訓練75
6.5小結77
第7章LoRA Dream Booth78
7.1任務簡介78
7.2數(shù)據(jù)集介紹79
7.3測試部分79
7.3.1測試函數(shù)79
7.3.2未訓練模型的測試結果80
7.3.3訓練后模型的測試結果80
7.4訓練部分81
7.4.1全局常量81
7.4.2定義數(shù)據(jù)集81
7.4.3定義模型84
7.4.4初始化工具類87
7.4.5計算loss87
7.4.6訓練88
7.5小結89
圖像生成模型的歷史發(fā)展篇
第8章AE模型93
8.1模型原理介紹93
8.2鮮花數(shù)據(jù)集介紹94
8.3定義數(shù)據(jù)集95
8.4定義神經(jīng)網(wǎng)絡模型98
8.4.1定義Block工具層98
8.4.2定義Encoder和Decoder100
8.5訓練101
8.5.1訓練前的準備工作101
8.5.2執(zhí)行訓練102
8.6測試104
8.6.1測試本地訓練的模型104
8.6.2使用訓練好的模型測試105
8.7小結105
第9章VAE模型106
9.1AE模型的缺陷106
9.2定義神經(jīng)網(wǎng)絡模型107
9.3訓練108
9.3.1訓練前的準備工作108
9.3.2執(zhí)行訓練109
9.4測試111
9.4.1測試本地訓練的模型111
9.4.2使用訓練好的模型測試111
9.5小結113
第10章DCGAN模型114
10.1模型原理介紹114
10.2定義神經(jīng)網(wǎng)絡模型115
10.2.1定義CLS模型115
10.2.2定義GEN模型116
10.3訓練117
10.3.1訓練前的準備工作117
10.3.2訓練CLS模型的函數(shù)118
10.3.3訓練GEN模型的函數(shù)119
10.3.4執(zhí)行訓練120
10.4測試122
10.4.1測試本地訓練的模型122
10.4.2使用訓練好的模型測試122
10.5小結123
第11章WGANGP模型124
11.1模型原理介紹124
11.2定義神經(jīng)網(wǎng)絡模型125
11.3訓練126
11.3.1訓練前的準備工作126
11.3.2訓練CLS模型的函數(shù)127
11.3.3執(zhí)行訓練128
11.4測試130
11.4.1測試本地訓練的模型130
11.4.2使用訓練好的模型測試130
11.5小結131
第12章Diffusion模型132
12.1模型原理介紹132
12.2定義神經(jīng)網(wǎng)絡模型134
12.3定義圖像生成函數(shù)142
12.4訓練144
12.5測試146
12.6小結147
訓練方法篇
第13章ControlNet以圖生圖151
13.1任務簡介151
13.2數(shù)據(jù)集介紹153
13.3測試部分154
13.3.1測試函數(shù)155
13.3.2未訓練模型的測試結果156
13.3.3訓練后模型的測試結果158
13.4訓練部分159
13.4.1全局常量159
13.4.2定義數(shù)據(jù)集159
13.4.3定義ControlNet模型162
13.4.4定義模型168
13.4.5初始化工具類169
13.4.6計算loss169
13.4.7訓練171
13.5小結172
第14章Instruct Pix2Pix圖像調(diào)整173
14.1任務簡介173
14.2數(shù)據(jù)集介紹174
14.3測試部分175
14.3.1加載數(shù)據(jù)集175
14.3.2測試函數(shù)176
14.4訓練部分179
14.4.1全局常量179
14.4.2定義數(shù)據(jù)集180
14.4.3定義模型181
14.4.4初始化工具類182
14.4.5計算loss183
14.4.6訓練186
14.5小結187
第15章正、負樣本混合訓練188
15.1任務簡介188
15.2數(shù)據(jù)集介紹188
15.3測試部分190
15.3.1配置環(huán)境190
15.3.2測試函數(shù)191
15.3.3未訓練模型的測試結果191
15.3.4訓練后模型的測試結果192
15.4訓練部分193
15.4.1全局常量193
15.4.2定義數(shù)據(jù)集193
15.4.3定義模型200
15.4.4初始化工具類203
15.4.5計算loss203
15.4.6訓練206
15.5小結207
以圖生圖模型的歷史發(fā)展篇
第16章Pix2Pix模型211
16.1任務介紹211
16.2數(shù)據(jù)集介紹212
16.3定義數(shù)據(jù)集213
16.4定義神經(jīng)網(wǎng)絡模型216
16.4.1定義CLS模型217
16.4.2定義殘差連接層217
16.4.3定義GEN模型218
16.5訓練220
16.5.1訓練前的準備工作220
16.5.2訓練CLS的函數(shù)221
16.5.3訓練GEN的函數(shù)222
16.5.4執(zhí)行訓練223
16.6測試226
16.6.1測試本地訓練的模型226
16.6.2使用訓練好的模型測試228
16.7小結228
第17章CycleGAN模型230
17.1模型原理介紹230
17.2數(shù)據(jù)集介紹231
17.3定義數(shù)據(jù)集232
17.4定義神經(jīng)網(wǎng)絡模型234
17.4.1定義CLS模型234
17.4.2定義GEN模型235
17.5訓練237
17.5.1訓練前的準備工作237
17.5.2訓練CLS的函數(shù)238
17.5.3訓練GEN的函數(shù)239
17.5.4執(zhí)行訓練242
17.6測試243
17.6.1測試本地訓練的模型243
17.6.2使用訓練好的模型測試244
17.7小結245
Diffusion模型篇
第18章風格遷移249
18.1模型原理介紹249
18.1.1針對單張圖片的風格遷移249
18.1.2基于神經(jīng)網(wǎng)絡模型的風格遷移250
18.1.3風格遷移模型的訓練方法250
18.1.4數(shù)據(jù)部分251
18.2定義神經(jīng)網(wǎng)絡模型252
18.2.1定義CLS模型254
18.2.2定義抽取內(nèi)容特征的函數(shù)254
18.2.3定義抽取風格特征的函數(shù)255
18.2.4加載風格圖片特征256
18.3訓練257
18.3.1訓練前的準備工作257
18.3.2執(zhí)行訓練257
18.4測試259
18.4.1測試本地訓練的模型259
18.4.2使用訓練好的模型測試260
18.5小結260
第19章手動構建Diffusion模型261
19.1模型原理介紹261
19.2Encoder模型263
19.2.1編碼層263
19.2.2注意力層264
19.2.3編碼器層266
19.2.4Encoder模型268
19.2.5載入?yún)?shù)268
19.2.6試算270
19.3VAE模型270
19.3.1殘差連接層270
19.3.2注意力層272
19.3.3Pad工具層274
19.3.4VAE模型275
19.3.5載入?yún)?shù)278
19.3.6試算280
19.4UNet模型281
19.4.1模型結構281
19.4.2殘差連接層282
19.4.3注意力層284
19.4.4Transformers層286
19.4.5down層289
19.4.6up層290
19.4.7UNet模型291
19.4.8載入?yún)?shù)296
19.4.9試算298
19.5訓練299
19.5.1加載工具類299
19.5.2定義數(shù)據(jù)集300
19.5.3定義模型303
19.5.4計算loss304
19.5.5執(zhí)行訓練305
19.6測試306
19.6.1定義生成函數(shù)306
19.6.2定義測試函數(shù)308
19.6.3測試未訓練的模型309
19.6.4測試訓練好的模型310
19.7小結311

你還可能感興趣

我要評論