AI生图之入门AI生图（Datawhale X 魔搭 AI夏令营）

探索AI生图技术：能力与局限的深度解读

        在现代人工智能技术的飞速发展中，AI生成图片（AI生图）技术逐渐成为一个备受关注的领域。然而，对于许多人来说，AI能够生成什么样的图片，以及它可能带来的风险和挑战，仍然是一个不太了解的领域。在深入研究和应用这一技术之前，我们需要先了解其背景知识，从而更好地掌握和利用AI生图技术。

1. 为什么要关注AI生图的前沿发展？

        AI生成内容（AIGC）是一种通过人工智能技术自动生成内容的创新生产方式，早期就有专家指出，AIGC将成为未来人工智能的重点发展方向，并且会大幅度改造相关行业和领域的内容生产方式。AI生图作为AIGC的重要组成部分，已经逐渐被大众所熟知，并在诸多领域中广泛应用。

        AI生图技术的发展对各个行业都产生了深远的影响。摄影、美术等艺术领域尤其感受到了这种变化，传统的“有图有真相”的观念正在被颠覆。同时，随着技术的普及，我们还需要意识到AI生图可能带来的风险，尤其是在Deepfake等技术的滥用可能带来的社会和法律挑战。

2. AI生图技术的历史与演进

        AI生图技术的发展历史可以追溯到20世纪70年代。最早的尝试由艺术家哈罗德·科恩（Harold Cohen）发起，他开发了AARON系统，这个系统可以通过机械臂输出绘画。此后，随着计算机技术和人工智能的进步，AI生图技术逐渐从简单的规则匹配发展到现代的深度学习模型。

近年来，诸如DALL-E、CLIP和Stable Diffusion等模型的出现，使得AI生图技术能够根据输入的文本生成高度复杂和逼真的图像。这些技术的演进不仅提升了图像生成的质量，也扩大了其应用范围，使其在设计、广告、艺术创作等领域发挥了重要作用。

3. AI生图的挑战与难点解析

        尽管AI生图技术取得了显著进展，但它仍然面临许多技术挑战。例如，生成的图像有时会表现出“AI味”，即图像与真实生活场景或传统艺术作品相比，存在明显的违和感。此外，AI生图在处理特定细节（如人物的手部）时，往往表现出不足，这导致生成的图像在某些场景下不够真实或细腻。

        这些技术难题促使科研界和工业界不断探索新的解决方案，以提升图像的真实性和精细度。不同的模型在处理这些问题时会有不同的表现，因此选择合适的模型和方法对于实现高质量的AI生图至关重要。

4. 如何开启AI生图的前沿探索？

        要深入探索AI生图的前沿技术，首先需要持续关注这一领域的最新动态，并积极参与相关的学习和实践活动。通过参与像魔搭社区这样的平台提供的AIGC工具和挑战赛，用户可以深入了解AI生图的最新技术进展，并逐步掌握这些技术的应用场景和实现方法。

        学习和实践是探索前沿技术的关键。通过不断地尝试和总结经验，我们可以更好地理解AI生图的原理，并将这些技术应用到实际项目中，从而提升自己的技术能力和创新能力。

5. 利用魔搭社区深入探索AI生图技术

        魔搭社区是一个提供丰富AI生图工具和资源的平台，无论是初学者还是有经验的开发者，都可以在这里找到适合自己的学习资源和实践项目。通过魔搭社区，用户可以了解最新的AI生图技术，获取实践经验，并与其他开发者交流合作。

        魔搭社区还提供了多种开源模型和工具，用户可以根据自己的需求进行选择和应用。无论是探索AI生图的基础技术，还是研究更为复杂的应用场景，魔搭社区都为用户提供了一个极好的平台，帮助他们在AI生图领域不断成长。

Part 1：初识通义千问——你的AI学习助教

        在开始深入学习AI生图技术之前，我们不妨先武装好我们的“工具箱”。今天要介绍的“工具”——通义千问，是一个功能强大的大语言模型，能够帮助我们更高效地理解和分析代码。正所谓“磨刀不误砍柴工”，我们先来了解这一工具的强大功能，确保后续的学习更为顺利。

1. 为什么选择通义千问？

        通义千问不仅是一个多功能的AI助手，还是编程与技术支持方面的专家。它集信息查询、语言理解、文本创作等多种能力于一身，特别是在代码分析和问题解决上表现尤为出色。对于初学者和资深开发者来说，通义千问都是一个不可多得的好帮手。

📢 注意事项：

• 如果你已经对大语言模型非常熟悉，可以跳过这部分内容，直接进入代码学习部分。
• 学习过程中，你可以根据个人需求选择其他大语言模型工具，我们的重点在于掌握技术而非工具本身。
• 此外，通义系列产品还包含了文生图工具——通义万相，感兴趣的朋友可以自行探索。

2. 通义千问的核心功能

2.1 AI助手的自我介绍

        通义千问是一款致力于提升用户生产力的AI助手，它不仅支持信息查询和文本创作，还特别擅长编程与技术支持。无论你是需要调试代码、查找错误，还是希望理解复杂的编程概念，通义千问都可以为你提供强有力的支持。

2.2 如何利用通义千问提升编程效率？

        接下来，我们将重点介绍通义千问在编程领域的应用。通过与通义千问的互动，你可以更快地找到代码中的问题，优化你的编程流程，甚至自动生成部分代码。这对于那些想要提升编程效率的开发者来说，无疑是一个极大的帮助。

3. 开启你的AI助学之旅

        作为一名学习者，你需要一个随时随地都能帮助你的“助教”。通义千问正是这样一个AI助手——24小时在线，随时待命，帮助你解决学习和编程中的各种问题。

        当你在学习中遇到难题时，不妨试试向通义千问求助。通过简单的几步操作，你就能获得它的帮助，让你的学习之路更加轻松愉快。点击这里，立即接收通义千问的邀请函，开启你的AI助学之旅吧！

Part 2：精读Baseline——从零开始掌握AI生图

        在这部分内容中，我们将借助AI助手，从代码分析和逐行解析两个角度，帮助大家更好地理解和掌握AI生图技术。通过这次学习，你将了解如何分解复杂的代码结构，并深入理解每一行代码的功能。

1. 分析代码的整体架构

        首先，我们将从整体上感知这个文生图代码的框架结构。通过这种方式，你可以更清晰地了解代码的逻辑和工作流程。

!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm


os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

import numpy as np
from PIL import Image


images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

1.1 安装与卸载依赖包

        代码的第一部分涉及依赖包的安装和卸载。这些操作通过 !pip 命令进行，安装了诸如 simple-aesthetics-predictor、data-juicer、peft、lightning、pandas、torchvision 和 DiffSynth-Studio 等必要的Python包，同时也卸载了可能冲突的 pytorch-lightning 包。

1.2 加载数据集

        第二部分代码利用 ModelScope 的 MsDataset 类，加载了一个名为 AI-ModelScope/lowres_anime 的数据集，并指定了子集名称和分割类型。这部分操作的目的是准备好训练所需的数据。

1.3 数据预处理

        接下来，我们会将数据集中的图像转换为RGB格式，并保存到指定目录。此外，还会创建包含图像路径和文本描述的元数据文件 metadata.jsonl，用于后续的数据处理。

1.4 数据处理与过滤

        在数据准备好之后，代码利用 data-juicer 工具对数据进行过滤处理。这一步会生成一个 result.jsonl 文件，其中包含了过滤后的有效数据。

1.5 数据整理与训练

        过滤后的数据被转换为 Pandas DataFrame，并保存为CSV文件，准备供后续训练使用。然后，下载模型并在基础模型上执行LoRA微调训练，最后加载微调后的模型。

1.6 图像生成与合成

        通过设定提示词和图像生成参数，代码最终生成目标图像，并保存为 .jpg 文件。为了展示最终的结果，代码将生成的多个图像合成到一张大图中，以便更直观地展示生成效果。

2. 逐行解析代码

        接下来，我们将逐行解析这段代码，以更深入地理解每个模块和函数的具体作用。

2.1 安装与卸载依赖

!pip install simple-aesthetics-predictor
!pip install -v -e data-juicer
!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision
!pip install -e DiffSynth-Studio

        这些命令用于安装和配置代码运行所需的各种依赖包，确保环境准备就绪。

2.2 数据集加载

from modelscope.msdatasets import MsDataset
ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

        这段代码用于加载数据集 lowres_anime，并将其存储在指定缓存目录中，供后续操作使用。

2.3 数据预处理

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm

os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

        该部分将数据集图像处理为RGB格式，并保存元数据文件 metadata.jsonl，为后续的数据过滤做好准备。

2.4 数据处理与过滤

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())
!dj-process --config data/data-juicer/data_juicer_config.yaml

        这里通过设置过滤规则，对数据集进行清洗和过滤，以确保后续训练的数据质量。

2.5 数据整理与训练

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm

texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

        这段代码将处理后的数据存储为CSV格式，以供后续模型训练使用。

2.6 图像生成与合成

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

# 合并多张生成的图像
images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))

        这里设置了图像生成的提示词，并将多张生成图像合成为一张大图，以便直观展示效果。如果你在以上解析中仍然有不理解的部分，不妨尝试利用通义千问或其他AI助手进行更深层次的分析。例如，你可以提出针对性的细节问题，让AI为你进一步解释代码的作用和实现逻辑。通过这次深入的代码解析，希望大家不仅了解了AI生图技术的实现过程，更能掌握如何利用AI助手帮助自己提升代码阅读和理解能力。记住，学会借助AI工具将会让你的学习和工作更加高效。

Part 3：实战演练——基于AI生图的连环画制作

1. 数据准备

        在这部分实战中，我们将通过AI生成一部连环画。整个话剧由8张场景图片组成，每张图片都需要生成相应的提示词。我们将利用通义千问来帮助生成这些提示词，并在此基础上进行调整和优化，确保最终生成的图片符合预期。

1.1 编写提示词

        作为一名文生图专家，你将负责编排一个基于AI生图技术的话剧。这个话剧包含以下8个场景，每个场景都需要生成一张图片。为了保证生成结果的风格一致，我们需要为每张图片编写合适的提示词。

场景列表：

1. 女主正在上课
2. 开始睡着了
3. 进入梦乡，梦到自己站在路旁
4. 王子骑马而来
5. 两人相谈甚欢
6. 一起坐在马背上
7. 下课了，梦醒了
8. 又回到了学习生活中

提示词要求：

• 风格：古风
• 描述：根据场景决定是否为全身或上半身描述
• 人物：包括人物外貌和服装细节
• 场景：描述背景和氛围
• 动作：描述人物在做什么

提示词示例： 古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，深思，上半身，红色长裙

1.2 询问通义千问

        我们将使用通义千问生成初步的提示词，并在此基础上不断调整，直至我们对生成的提示词和最终的图像效果感到满意。通过多次试验，你可以打磨出一组最佳提示词，用于生成高质量的连环画。

1.3 整理最终话剧场景

        根据AI生成的图片和提示词结果，我们将对生成的内容进行调整，最终整理出完整的话剧场景表格。

场景表格：

图片编号	场景描述	正向提示词	反向提示词
图片1	女主正在上课	古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，深思，上半身，红色长裙	丑陋，变形，嘈杂，模糊，低对比度
图片2	开始睡着了	古风，水墨画，一个黑色长发少女，坐在教室里，趴在桌子上睡着了，上半身，红色长裙	丑陋，变形，嘈杂，模糊，低对比度
图片3	进入梦乡，梦到自己站在路旁	古风，水墨画，一个黑色长发少女，站在路边，上半身，红色长裙	丑陋，变形，嘈杂，模糊，低对比度
图片4	王子骑马而来	古风，水墨画，一个英俊少年，骑着白马，上半身，白色衬衫	丑陋，变形，嘈杂，模糊，低对比度
图片5	两人相谈甚欢	古风，水墨画，一个英俊少年，白色衬衫，一个黑色长发少女，红色长裙，两个人一起聊天，开心，上半身	丑陋，变形，嘈杂，模糊，低对比度
图片6	一起坐在马背上	古风，水墨画，一个英俊少年，白色衬衫，一个黑色长发少女，红色长裙，两个人一起骑着马，全身	丑陋，变形，嘈杂，模糊，低对比度
图片7	下课了，梦醒了	古风，水墨画，一个黑色长发少女，坐在教室里，下课铃声响了，同学们开始走动，从睡梦中醒来，深思，上半身，红色长裙	丑陋，变形，嘈杂，模糊，低对比度
图片8	又回到了学习生活中	古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，认真上课，上半身，红色长裙	丑陋，变形，嘈杂，模糊，低对比度

2. 执行Task 1的30分钟速通Baseline

        在掌握了提示词编写后，我们将再次运行Baseline，验证编写的提示词效果。通过这次实战练习，你将从零开始，深入理解AI生图的原理和实际操作。

3. 提示词的进一步修改

1. 打开Baseline文件
2. 找到生成图像的代码块
3. 依次替换8张图片的正向提示词和反向提示词

        调整后的提示词将直接影响生成图像的质量，因此，这一步至关重要。你可以根据生成结果，反复优化提示词，以达到最佳效果。

4. 结果展示

        在运行完所有步骤后，你将生成并展示8张连环画图片。通过对比和分析这些图片，你可以进一步优化提示词和生成参数。

5. 测试美学打分

        最后，为了评估生成图像的质量，可以利用美学评分工具对图像进行打分。通过评分，你可以客观地判断提示词和生成设置的优劣，并做出相应调整，以提升整体效果。

结语

        通过这次深入的学习和实践，我们从多个角度探索了AI生图技术的潜力与应用。从初识通义千问，到精读代码架构，再到实际操作AI生成连环画，每一个步骤都在帮助我们更好地理解和掌握这一前沿技术。在未来的创作和工作中，善用AI工具不仅可以提升效率，还能激发更多创意与可能性。希望通过本次学习，你能够将所学的知识应用到实际项目中，并不断探索AI技术带来的更多创新机会。让我们继续保持好奇心和进取心，在AI的世界里开辟新的篇章。

如果你觉得这篇博文对你有帮助，请点赞、收藏、关注我，并且可以打赏支持我！

欢迎关注我的后续博文，我将分享更多关于人工智能、自然语言处理和计算机视觉的精彩内容。

谢谢大家的支持！