既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
- Sampling method: 采样方法。有很多种,但只是采样算法上有差别,没有好坏之分,选用适合的即可。
- Sampling steps: 采样步长。太小的话采样的随机性会很高,太大的话采样的效率会很低,拒绝概率高
- Seed: 随机数种子。生成每张图片时的随机种子,这个种子是用来作为确定扩散初始状态的基础。不懂的话,用随机的即可
- Restore faces: 面部修复,优化面部的,原理是调用一个神经网络模型对面部进行修复,影响面部。修复画面中人物的面部,但是非写实风格的人物开启面部修复可能导致面部崩坏
- Tiling: 无缝贴图,是一种老牌优化技术,即
CUDA
的矩阵乘法优化,影响出图速度和降低显存消耗,不过实际选上之后可能连正常的图都不出来了。打死不开 - Highres.fix: 高分辨率修复,默认情况下,文生图在高分辨率下会生成非常混沌的图像。如果使用高清修复,会型首先按照指定的尺寸生成一张图片,然后通过放大算法将图片分辨率扩大,以实现高清大图效果
▷ 采样器
- Euler a: 是个插画,
tag
利用率仅次于DPM2
和DPM2 a
,环境光效菜,构图有时奇葩 - Euler: 柔和,也适合插画,环境细节与渲染好,背景模糊较深
- Heun: 单次出土平均质量比
Euler
和Euler a
高,但速度最慢,高step
表现好 - DDIM: 适合宽画,速度偏低,高
step
表现较好,负面tag
不够时发挥随意,环境光线与水汽效果好,写实不佳 - DPM2: 该采样方式对
tag
的利用率最高,几乎占用80%
以上 - DPM2 a: 几乎与
DPM2
相同,只是在人物的时候可能有特写 - PLMS: 单次出图质量仅次于
Heun
- LMS: 质感
OA
,饱和度与对比度偏低,更倾向于动画风格 - LMS Karras: 会大改成优化的风格,写实不佳
- DPM fast: 此为上界开发者所遗留的测试工具,不适合魔术师使用
▷ 文生图(txt2img)
- 文生图(text2img): 根据提示词
Prompt
的描述生成相应的图片 - 选择
绘画模型(Stable Diffusion checkpoint)
►文生图(txt2img)
►填写正向提示词(Prompt)
►填写反向提示词(Negative prompt)
►选择采样器(一般选择DPM++ 2M Karras)
►设置采样步骤(一般设置30)
►设置长宽(Width / Height,推荐 1024 * 1536)
►点击生成(Generate)
- 根据上面的步骤,即可通过文字生成图片了,一般我们只要编写
Prompt
即可,Negative prompt
一般都是固定的,限制一下水印,低质量以及其他可能出现的逻辑错误即可
▷ 图生图(img2img)
- 图生图(img2img): 将一张图片根据提示词
Prompt
描述的特点生成另一张新的图片 - 选择
绘画模型(Stable Diffusion checkpoint)
►图生图(img2img)
►填写正向提示词(Prompt)
►填写反向提示词(Negative prompt)
►选择采样器(一般选择DPM++ 2M Karras)
►设置采样步骤(一般设置30)
►设置长宽(Width / Height,推荐 1024 * 1536)
►点击生成(Generate)
- 将上传一张图片到图生图中,进行测试一下,这里使用的是刚刚文生图的照片,根据上面的步骤,点击生成,看看效果
- 可以看出:
AI
图生图,其实就是根据你上传的图片和你的Prompt
生成一张跟上传差不多的照片
▷ 标签权重
- 在输入
Prompt
标签的时候,有时候想到啥就会写啥,默认写在前面的权重会最高 - 在
stable Diffusion
中也可以通过特定符号提升关键词的权重 - 其中
()
是加强权重,[]
是降低权重,{}
是NAI
对()
的“实现”,<>
用于嵌入 - 例如:
(eye) > [eye]
,(eye:1.4)
会比正常情况多增加约40%
,(eye:0.6)
会减少约40 %
# 默认关键词是1.1倍
(eye) = (eye:1.1)
((eye)) = (eye:1.21)
(((eye))) = (eye:1.331)
((((eye)))) = (eye:1.4641)
(((((eye)))) = (eye:1.61051)
((((((eye)))))) = (eye:1.771561)
[eye] = (eye:0.9090909090909091)
[[eye]] = (eye:0.8264462809917355)
[[[eye]]] = (eye:0.7513148009015778)
[[[[eye]]]] = (eye:0.6830134553650707)
[[[[[eye]]]]] = (eye:0.6209213230591552)
[[[[[[eye]]]]]] = (eye:0.5644739300537775)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!*