使用Flux.1模型的简单工作流搭建方法,马上学会,立等可取

🧨背景

flux.1这个模型出来有一段时间了,很多营销号也吹的挺厉害,实际效果的话,在写实图像方面,还有文字书写方面的确还不错,不过对比midjourney,在美学评分方面,大多时候还是要差点意思。不过这不是本篇的主要内容,本篇主要是分享一种搭建flux模型工作流的简单方法。

为什么要做这件事情呢,因为flux.1模型刚出的时候,有很多种搭建方法,跟默认sdxl和sd1.5工作流搭建方法非常不同,这倒也不是大问题,问题是实在背不下来,每次记这些不同模型的不同节点,好麻烦,所以能不能用通用的方法来搭建flux模型工作流呢?

还真可以。

🎉具体工作流搭建方法

既然通用,当然看起来就跟默认的sd1.5或者sdxl的工作流搭建方法完全相同。

没错,真的是一摸一样,只要会基础的comfyui sd1.5后者sdxl的模型搭建,flux也可以。

只是这里有几个点需要注意下:

1、 flux.1模型不是使用官方的原版,而是使用打包了vae和clip模型的版本,如果电脑配置好,尽量下载这个dev版本,下载完成后,放在放大模型的文件夹下即可,以下参数也是基于dev版本来分享的,如果电脑配置一般,可以使用schnell版本,如果电脑配置非常一般,建议放弃。

可以到我的网盘下载:下载地址

2、负向提示词部分可以不写,但是需要有这个框框;

3 、采样处理这里的steps建议20步+,如果生成模糊,可以适当提升;

cfg设置为1~5之间,可以尝试,默认1.5~3之间好像会更好(经验而已,可以自行尝试);

采样器选择euler,调度器选择beta貌似是个不错的选择,也可以尝试别的,但是容易生成模糊图像;

再生成一个官方案例中的提示词测试看看:

A group of three women on a downtown street, raising their hands towards the camera.

貌似还行。本篇到这里,觉得有用的话,帮忙点个赞哦~ 

✨写在最后

如果对comfyui还不熟悉的话,最近面向ComfyUI的新手,写了一门系统性入门图文课程,现在已经更新完成了,内容主要包括如何下载软件、如何搭建自己的工作流、关键基础节点讲解、遇到报错怎么解决等等,如果大家在学习过程中遇到什么问题,也可以直接对应的文章下留言,会持续更新相关答疑内容哈。欢迎订阅哦~

https://blog.csdn.net/jumengxiaoketang/category_12683612.html

​​​

感谢大家的支持~

  • 4
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
假设我们有一个简单的线性回归模型,我们要使用Flux库来训练它。我们可以按照以下步骤进行: 1. 创建一个模型: ```julia using Flux model = Chain(Dense(1, 10, sigmoid), Dense(10, 1)) ``` 这个模型有两个层,一个输入层和一个输出层。输入层有1个神经元,输出层有1个神经元,中间有10个神经元,并且使用Sigmoid激活函数。 2. 创建一些数据: ```julia x = rand(100, 1) y = 2x .+ 0.5 .+ randn(100, 1) * 0.1 ``` 这里我们生成了100个数据点,每个数据点有1个特征和1个标签。数据点的生成方式是 $y = 2x + 0.5 + \epsilon$,其中 $\epsilon$ 是一个标准差为0.1的高斯噪声。 3. 定义损失函数: ```julia loss(x, y) = Flux.mse(model(x), y) ``` 这里我们使用均方误差(MSE)作为损失函数。 4. 定义优化器: ```julia opt = Descent(0.1) ``` 这里我们使用梯度下降法作为优化器,学习率为0.1。 5. 训练模型: ```julia for i in 1:100 Flux.train!(loss, Flux.params(model), [(x, y)], opt) end ``` 这里我们训练了100次。在每一次迭代中,我们使用Flux.train!函数来更新模型的权重和偏差。Flux.params函数用于获取模型的参数,[(x,y)]是训练数据的元组列表。 完整代码如下: ```julia using Flux model = Chain(Dense(1, 10, sigmoid), Dense(10, 1)) x = rand(100, 1) y = 2x .+ 0.5 .+ randn(100, 1) * 0.1 loss(x, y) = Flux.mse(model(x), y) opt = Descent(0.1) for i in 1:100 Flux.train!(loss, Flux.params(model), [(x, y)], opt) end ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

聚梦小课堂

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值