m0_72806612的博客

SDXL是SD的改进版本，采用了三倍更大的Unet主干网络（其增大的参数主要由于更多的注意力块和使用第二个文本编码器带来的更大的交叉注意力机制的内容）设计了多个新的限制方案，并且在多个比例上进行了训练。引进了一个完善模型——用来改善采样结果的真实性。

这是一个能够执行三大分割通用任务（语义、实例、全景）的网络第一次在三大任务上胜过每个任务的专用分割SOTA模型。

在Python中，深浅拷贝是数据复制的两种方式。浅拷贝复制的是对象的引用，深拷贝则完全复制对象的值。print(shallow_copy) # 输出: [1, 2, ['changed', 4]]print(deep_copy) # 输出: [1, 2, [3, 4]]浅拷贝只复制对象的引用,而深拷贝复制了整个对象及其嵌套对象。

‌：在信息论中，信息量的定义通常使用自然对数。自然对数的底数e是一个重要的数学常数，约等于2.71828。使用自然对数可以更好地反映信息的本质，因为自然对数在信息论中有其独特的性质和优势‌12。‌。

第二，使用sudo fdisk -l。如mkdir /data_sda。第三，使用mount命令挂载，如。将sda挂载在data_sda下。查看未挂载的数据盘信息。

return x_t转自加噪过程的代码实现。

image2image-turbo作为一个使用CycleGAN形式进行训练的图生图Diffusion的网络，主要解决了两方面条件扩散模型的显存局限性：1.由于迭代去噪过程而很慢的推理速度2.依赖成对数据的模型微调。

本文是Stable Diffusion等一系列扩散模型的里程碑，主要解决的问题是Diffusion模型在原始的像素空间中需要的计算资源过多的问题。

有一些较大的模型权重直接去官网下很不方便，所以找了一下设置国内镜像源并设置token登陆的方法。一般开开权限的库可以随便下载，没开开的先去库里面填个表申请，一般提交以后秒获得库的权限。后面是下载的地址，好处是这种方式可以在断掉之后用缓存接着下载。前面是设置国内镜像源，否则可能出现网络问题。1.去官网设置自己账号的token。具体在这里添加，将所有权限都开开。

二、ImportError: /lib/x86_64-linux-gnu/libgobject-2.0.so.0: undefined symbol: ffi_type_uint32, version LIBFFI_BASE_7.0。产生原因，各种包集成，然后安装以后乱七八糟，甚至官方的教程也不规范导致没有添加路径到系统文件导致系统执行的时候找不到。问题一、linux编译后，找不到ffmpeg中的一个文件。博主进行的离线安装，分别下载yums\ffmpeg。博主是将大图切分成小图时遇到。

正确示范：sudo docker run -it --name hunyuandit12new --gpus all --init --net=host --uts=host --ipc=host --security-opt=seccomp=unconfined --ulimit=stack=67108864 --ulimit=memlock=-1 -v /home/xuyimeng_aixym:/workspace mirrors.tencent.com/neowywang/hunyua。

追溯以上的包的调用信息，挨个将diffusers、huggingface卸载然后升级最新版。一般遇到这种导入模块没有，或者是检查某一个文件中的哪些配置不正确。

2.将原来的扩散模型作为教师，蒸馏到更快的少步学生网络。3.一些采用一致性模型训练。4.改用GAN做生成。

VAE（变量自编码器）最早在以上两篇文章被提出。VAE与自编码器类似包括从原始的数据将其编码到潜在空间（隐藏表示空间，维度更低）中的变量z、以及将变量z还原到原来的空间x的解码器，不同的是，它是对分布的均值和标准差进行估计。

ControlNet是一种能够控制模型生成内容的方法，能够对文生图等模型添加限制信息（边缘、深度图、法向量图、姿势点图等），在当今生成比较火的时代很流行。这种方法使得能够直接提供空间信息控制图片以更细粒度地得到想要的生成图片，这种方法能够以一个端到端的方式来实现这个挑战。先看看其主要方法，将原先的预训练网络冻结，然后做一个可训练的复制，再使用0初始化的1*1卷积（ 保证开始训练时没有额外噪声加入进来）将这个复制的网络连成一个支路。

2.直接pip安装（最快），如：pip install onnxruntime_gpu==1.12.1，如果原来镜像源里面没有，加-i 这两个就可以找到https://pypi.org/simple, https://pypi.ngc.nvidia.com。反面教材：按照某些博主的说法重装了Conda中集成的CUDAtoolkit无效，甚至让我到了想要重装CUdNN的地步。原因：安装的不是GPU版本，所以模型在CPU上跑会很慢很慢。1.去网站找对应平台的GPU版本。

没有合适的版本的话需要root权限指定版本安装。备案，以后有人要用12我还得换回来。方案一：更改gcc和gcc+的版本。想了下是系统找不到编译器。

其学习到的表示往往比手动设计的表示表现更优，而且只需要最少的人工干预，就能让AI模型更好适应新的任务。编码器函数将输入数据转换为一种不同的表示，而解码器函数则将这个新的表示转换为原来输入的形式。对于许多机器学习任务来说，很难知道应该提取哪些特征，比如——想要写代码检测图片中的某一个器官，然而，这个器官会随着场景的变化有各种形态。这些因素通常不是能够被直接观察到的量，但是却是影响可观测的量。设计自编码器的目的在于：使输入数据在经过编码器和解码器之后尽可能多地保留信息，同时希望新的表示有各种好的特性。

链接:https://mp.weixin.qq.com/s/B3PU2jtQ-1FrEv1W7JmONA。#旷视 2025秋季校园招聘正式启动啦！✅算法、研发技术、产品/解决方案、交付！📣超多选择在旷视，期待你的火线加入！✅北京、上海、成都、重庆、武汉！【五大城市】向你发出应聘邀请。内推码:DSXwkAST。【四大岗位】开放投递。

Hunyuan-DiT : A Powerful Multi-Resolution Diffusion Transformer with Fine-Grained Chinese Understanding。