AIGC专栏13——ComfyUI 插件编写细节解析-以EasyAnimateV3为例

于 2024-07-13 15:45:14 发布
阅读量367 收藏 15
点赞数 4
分类专栏： AIGC专栏 文章标签： AIGC ComfyUI EasyAnimate 文生视频 图生视频
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44791964/article/details/140399075
版权

AIGC专栏13——ComfyUI 插件编写细节解析-以EasyAnimateV3为例

学习前言

最近在给EasyAnimateV3写ComfyUI的工作流，以方便别人测试。学习了ComfyUI的基本操作，也看了一下别人是怎么写的，自己也折腾了一下。
在这里插入图片描述

什么是ComfyUI

在人工智能艺术创作的领域里，Stable Diffusion 凭借其开放源代码的特性，吸引了众多开发者与艺术家的目光，并且因为强大的社区支持而展现出强大的影响力。

Stable Diffusion 的两大主流创作平台分别是 Stable Diffusion WebUI 与 ComfyUI。前者以其即装即用的便捷性、丰富的基础功能及广泛的社区插件支持，成为了新手的理想选择。而ComfyUI则更注重算法细节，主要特点是 结合了 工作流和节点，达成更高级别的自动化，使得创作流程更易于复现与传播。不过，这也意味着较高的学习曲线，要求用户对 Stable Diffusion 及其扩展功能有深入理解，动手实践能力亦需达到一定水准。

着眼于未来的工业化生产与效率提升，ComfyUI 显现出更为广阔的潜力与前景。
在这里插入图片描述

相关地址汇总

ComfyUI

https://github.com/comfyanonymous/ComfyUI

EasyAnimateV3

https://github.com/aigc-apps/EasyAnimate
感谢大家的关注。

节点例子

插件其实本质上是一个个节点，在ComfyUI中，一个节点对应一个类，本文先以ExampleNode为例进行解析，如下所示：

ExampleNode有几个方法，必要是的__init__，INPUT_TYPES和一个FUNCTION 对应的函数。

  • __init__是python类的通用方法，非必须有内容，所以我们可以先pass。
  • INPUT_TYPES是ComfyUI必须要有的一个方法，需要放在classmethod装饰器下面，在INPUT_TYPES我们可以指定required和optional代表参数是必要的或者可选的。 required和optional均为一个字典，字典的key是这个参数的名称，key对应的value是这个参数的类别，这个类别既可以自定义，也可以用一些通用的，常见通用类别有IMAGE、INT、FLOAT等，具体的设置方法如下的代码所示。
  • FUNCTION对应的函数代表该节点执行的函数，这个函数一般是自定义的，如下所示的example_func，做的工作就是将所有的像素点除以2后+1。

除此之外还需要设置几个变量名：

  • FUNCTION = "example_func"对应了FUNCTION的函数名
  • RETURN_TYPES = ("IMAGE",)代表这个节点返回的内容类别，常见通用类别有IMAGE、INT、FLOAT等
  • RETURN_NAMES = ("image_output_demo",)代表在UI上显示的节点返回的名称。
  • CATEGORY = "Example"代表这个节点的种类。
class ExampleNode:、
    def __init__(self):
        pass
    
    @classmethod
    def INPUT_TYPES(s):
        return {
            "required": {
                "image_demo": ("IMAGE",),
                "int_demo": ("INT", {
                    "default": 0, 	# 默认值
                    "min": 0, 		# 最小值
                    "max": 4096, 	# 最大值
                    "step": 64, 	# 在INT类型中，每次改变的最小步长
                    "display": "number" # 该参数在ComfyUI上的外观: "number"，"slider"
                }),
                "float_demo": ("FLOAT", {
                    "default": 1.0,
                    "min": 0.0,
                    "max": 10.0,
                    "step": 0.01,
                    "round": 0.001, 	# 表示精度，不设置的话为步长值。可以设置为 False 以禁用。
                    "display": "number"}),
                "string_demo": ("STRING", {
                    "multiline": False, # 只显示一行字符串，多余部分会在 UI上隐藏
                    "default": "string_demo"
                }),
            },
            "optional":{
                "optional_image": ("IMAGE",),
            },
        }
    FUNCTION = "example_func"
    
    RETURN_TYPES = ("IMAGE",)
    RETURN_NAMES = ("image_output_demo",)
    CATEGORY = "Example"

    def example_func(self, image_demo, int_demo, float_demo, string_demo, optional_image):
        image = image / 2.0 + 1
        return (image,)

复杂例子-以EasyAnimateV3为例

由于正常的Stable Diffusion的库并不会只有一个简单的Example Node类，可能存在复杂的导入情况，在这个基础上我们进行解析。

节点文件

必要库的导入

文件结构如下，为了代码文件的干净，我们将nodes对应的python文件和json工作流放入到自己创建的名为comfyui的文件夹中。
在这里插入图片描述

除去一些pip安装的库，在导入其它EasyAnimate组件时，需要使用相对路径。

# 正常的pip库导入部分
import gc
import os

import torch
import numpy as np
from PIL import Image
from diffusers import (AutoencoderKL, DDIMScheduler,
                       DPMSolverMultistepScheduler,
                       EulerAncestralDiscreteScheduler, EulerDiscreteScheduler,
                       PNDMScheduler)
from einops import rearrange
from omegaconf import OmegaConf
from transformers import CLIPImageProcessor, CLIPVisionModelWithProjection

import comfy.model_management as mm
import folder_paths
from comfy.utils import ProgressBar, load_torch_file

# 相对目录导入easyanimate组件
from ..easyanimate.models.autoencoder_magvit import AutoencoderKLMagvit
from ..easyanimate.models.transformer3d import Transformer3DModel
from ..easyanimate.pipeline.pipeline_easyanimate_inpaint import EasyAnimateInpaintPipeline
from ..easyanimate.utils.utils import get_image_to_video_latent
from ..easyanimate.data.bucket_sampler import ASPECT_RATIO_512, get_closest_ratio

载入模型节点定义

首先定义了INPUT_TYPES，载入模型的时候我们需要指定的必要参数是：

  • model 模型的名称，分别有'EasyAnimateV3-XL-2-InP-512x512'、'EasyAnimateV3-XL-2-InP-768x768'、'EasyAnimateV3-XL-2-InP-960x960'。
  • low_gpu_memory_mode 是否开启 低显存模式。
  • config 用于指定EasyAnimateV3的config。
  • precision 模型的精度，EasyAnimateV3应该用bf16。

除此之外还需要设置几个变量名：

  • RETURN_TYPES = ("EASYANIMATESMODEL",) 代表这个节点返回的内容类别，我们自定义了一个EASYANIMATESMODEL类别
  • RETURN_NAMES = ("easyanimate_model",)代表在UI上显示的节点返回的名称。
  • FUNCTION = "loadmodel"对应了FUNCTION的函数名
  • CATEGORY = "EasyAnimateWrapper"代表这个节点的种类。

在loadmodel函数中，我们载入了EasyAnimateV3的pipeline，并且通过字典的方式返回回去。

class LoadEasyAnimateModel:
    @classmethod
    def INPUT_TYPES(s):
        return {
            "required": {
             	# 模型名称
                "model": (
                    [ 
                        'EasyAnimateV3-XL-2-InP-512x512',
                        'EasyAnimateV3-XL-2-InP-768x768',
                        'EasyAnimateV3-XL-2-InP-960x960'
                    ],
                    {
                        "default": 'EasyAnimateV3-XL-2-InP-768x768',
                    }
                ),
                # 是否开启 低显存模式
                "low_gpu_memory_mode":(
                    [False, True],
                    {
                        "default": False,
                    }
                ),
                # config 名称
                "config": (
                    [
                        "easyanimate_video_slicevae_motion_module_v3.yaml",
                    ],
                    {
                        "default": "easyanimate_video_slicevae_motion_module_v3.yaml",
                    }
                ),
                # 模型精度
                "precision": (
                    ['fp16', 'bf16'],
                    {
                        "default": 'bf16'
                    }
                ),
                
            },
        }
    # 定义了一个新的类别
    RETURN_TYPES = ("EASYANIMATESMODEL",)
    RETURN_NAMES = ("easyanimate_model",)
    # 对应了`FUNCTION`的函数名
    FUNCTION = "loadmodel"
    CATEGORY = "EasyAnimateWrapper"
	
	# 载入模型的函数
    def loadmodel(self, low_gpu_memory_mode, model, precision, config):
        # Init weight_dtype and device
        device          = mm.get_torch_device()
        offload_device  = mm.unet_offload_device()
        weight_dtype = {"bf16": torch.bfloat16, "fp16": torch.float16, "fp32": torch.float32}[precision]

        # Init processbar
        pbar = ProgressBar(4)

        # Load config
        config_path = f"{script_directory}/config/{config}"
        config = OmegaConf.load(config_path)

        # Detect model is existing or not 
        model_path = os.path.join(folder_paths.models_dir, "EasyAnimate", model)
      
        if not os.path.exists(model_path):
            if os.path.exists(eas_cache_dir):
                model_path = os.path.join(eas_cache_dir, 'EasyAnimate', model)
            else:
                print(f"Please download easyanimate model to: {model_path}")

        # Load vae
        if OmegaConf.to_container(config['vae_kwargs'])['enable_magvit']:
            Choosen_AutoencoderKL = AutoencoderKLMagvit
        else:
            Choosen_AutoencoderKL = AutoencoderKL
        print("Load Vae.")
        vae = Choosen_AutoencoderKL.from_pretrained(
            model_path, 
            subfolder="vae", 
        ).to(weight_dtype)
        # Update pbar
        pbar.update(1)

        # Load Sampler
        print("Load Sampler.")
        scheduler = EulerDiscreteScheduler.from_pretrained(model_path, subfolder= 'scheduler')
        # Update pbar
        pbar.update(1)
        
        # Load Transformer
        print("Load Transformer.")
        transformer = Transformer3DModel.from_pretrained(
            model_path, 
            subfolder= 'transformer', 
            transformer_additional_kwargs=OmegaConf.to_container(config['transformer_additional_kwargs'])
        ).to(weight_dtype).eval()  
        # Update pbar
        pbar.update(1) 

        # Load Transformer
        if transformer.config.in_channels == 12:
            clip_image_encoder = CLIPVisionModelWithProjection.from_pretrained(
                model_path, subfolder="image_encoder"
            ).to(device, weight_dtype)
            clip_image_processor = CLIPImageProcessor.from_pretrained(
                model_path, subfolder="image_encoder"
            )
        else:
            clip_image_encoder = None
            clip_image_processor = None   
        # Update pbar
        pbar.update(1)

        pipeline = EasyAnimateInpaintPipeline.from_pretrained(
                model_path,
                transformer=transformer,
                scheduler=scheduler,
                vae=vae,
                torch_dtype=weight_dtype,
                clip_image_encoder=clip_image_encoder,
                clip_image_processor=clip_image_processor,
        )
    
        if low_gpu_memory_mode:
            pipeline.enable_sequential_cpu_offload()
        else:
            pipeline.enable_model_cpu_offload()

        easyanimate_model = {
            'pipeline': pipeline, 
            'dtype': weight_dtype,
            'model_path': model_path,
        }
        return (easyanimate_model,)

Image to Video节点定义

EasyAnimateV3的重要功能是实现了Image to Video。我们便以这个为例进行Node的解析。

首先定义了INPUT_TYPES，载入模型的时候我们需要指定的必要参数是：

  • easyanimate_model 代表在载入模块 载入的模型，是一个特殊的种类类别EASYANIMATESMODEL。
  • prompt 代表正向提示词。在这里我们自定义了个文本框，对应的种类格式为STRING_PROMPT。
  • negative_prompt 代表负向提示词。在这里我们自定义了个文本框，对应的种类格式为STRING_PROMPT。
  • video_length 视频的长度。
  • base_resolution 基础模型的分辨率，分别有512、768、960。
  • seed种子。
  • steps预测步数。
  • cfg guidance的强度。
  • scheduler采样器名称。

可选参数是：

  • start_img 开始图片；
  • end_img 结尾图片。

除此之外还需要设置几个变量名：

  • RETURN_TYPES = ("IMAGE",) 代表这个节点返回的内容类别，返回一系列帧图片。
  • RETURN_NAMES = ("images",)代表在UI上显示的节点返回的名称。
  • FUNCTION = "process"对应了FUNCTION的函数名
  • CATEGORY = "EasyAnimateWrapper"代表这个节点的种类。

在process函数中，我们预处理了输入图片，并且进行了生成，最后返回了一系列帧图片。

class EasyAnimateI2VSampler:
    @classmethod
    def INPUT_TYPES(s):
        return {
            "required": {
                "easyanimate_model": (
                    "EASYANIMATESMODEL", 
                ),
                "prompt": (
                    "STRING_PROMPT",
                ),
                "negative_prompt": (
                    "STRING_PROMPT",
                ),
                "video_length": (
                    "INT", {"default": 72, "min": 8, "max": 144, "step": 8}
                ),
                "base_resolution": (
                    [ 
                        512,
                        768,
                        960,
                    ], {"default": 768}
                ),
                "seed": (
                    "INT", {"default": 43, "min": 0, "max": 0xffffffffffffffff}
                ),
                "steps": (
                    "INT", {"default": 25, "min": 1, "max": 200, "step": 1}
                ),
                "cfg": (
                    "FLOAT", {"default": 7.0, "min": 1.0, "max": 20.0, "step": 0.01}
                ),
                "scheduler": (
                    [ 
                        "Euler",
                        "Euler A",
                        "DPM++",
                        "PNDM",
                        "DDIM",
                    ],
                    {
                        "default": 'Euler'
                    }
                )
            },
            "optional":{
                "start_img": ("IMAGE",),
                "end_img": ("IMAGE",),
            },
        }
    
    RETURN_TYPES = ("IMAGE",)
    RETURN_NAMES =("images",)
    FUNCTION = "process"
    CATEGORY = "EasyAnimateWrapper"

    def process(self, easyanimate_model, prompt, negative_prompt, video_length, base_resolution, seed, steps, cfg, scheduler, start_img=None, end_img=None):
        device = mm.get_torch_device()
        offload_device = mm.unet_offload_device()

        mm.soft_empty_cache()
        gc.collect()

        start_img = [to_pil(_start_img) for _start_img in start_img] if start_img is not None else None
        end_img = [to_pil(_end_img) for _end_img in end_img] if end_img is not None else None
        # Count most suitable height and width
        aspect_ratio_sample_size    = {key : [x / 512 * base_resolution for x in ASPECT_RATIO_512[key]] for key in ASPECT_RATIO_512.keys()}
        original_width, original_height = start_img[0].size if type(start_img) is list else Image.open(start_img).size
        closest_size, closest_ratio = get_closest_ratio(original_height, original_width, ratios=aspect_ratio_sample_size)
        height, width = [int(x / 16) * 16 for x in closest_size]
        
        # Get Pipeline
        pipeline = easyanimate_model['pipeline']
        model_path = easyanimate_model['model_path']

        # Load Sampler
        if scheduler == "DPM++":
            noise_scheduler = DPMSolverMultistepScheduler.from_pretrained(model_path, subfolder= 'scheduler')
        elif scheduler == "Euler":
            noise_scheduler = EulerDiscreteScheduler.from_pretrained(model_path, subfolder= 'scheduler')
        elif scheduler == "Euler A":
            noise_scheduler = EulerAncestralDiscreteScheduler.from_pretrained(model_path, subfolder= 'scheduler')
        elif scheduler == "PNDM":
            noise_scheduler = PNDMScheduler.from_pretrained(model_path, subfolder= 'scheduler')
        elif scheduler == "DDIM":
            noise_scheduler = DDIMScheduler.from_pretrained(model_path, subfolder= 'scheduler')
        pipeline.scheduler = noise_scheduler

        generator= torch.Generator(device).manual_seed(seed)

        with torch.no_grad():
            video_length = int(video_length // pipeline.vae.mini_batch_encoder * pipeline.vae.mini_batch_encoder) if video_length != 1 else 1
            input_video, input_video_mask, clip_image = get_image_to_video_latent(start_img, end_img, video_length=video_length, sample_size=(height, width))

            sample = pipeline(
                prompt, 
                video_length = video_length,
                negative_prompt = negative_prompt,
                height      = height,
                width       = width,
                generator   = generator,
                guidance_scale = cfg,
                num_inference_steps = steps,

                video        = input_video,
                mask_video   = input_video_mask,
                clip_image   = clip_image, 
                comfyui_progressbar = True,
            ).videos
            videos = rearrange(sample, "b c t h w -> (b t) h w c")
        return (videos,)

节点名称映射

NODE_CLASS_MAPPINGS 的key代表comfyUI显示的节点名称，value对应了我们定义的类名。
NODE_DISPLAY_NAME_MAPPINGS 的key代表comfyUI显示的节点名称，value对应了该节点的默认名称。

在这里有两个节点未解析TextBox、EasyAnimateT2VSampler，这里两个节点较为简单，希望同学们举一反三：）

NODE_CLASS_MAPPINGS = {
    "LoadEasyAnimateModel": LoadEasyAnimateModel,
    "TextBox": TextBox,
    "EasyAnimateI2VSampler": EasyAnimateI2VSampler,
    "EasyAnimateT2VSampler": EasyAnimateT2VSampler,
}
NODE_DISPLAY_NAME_MAPPINGS = {
    "TextBox": "TextBox",
    "LoadEasyAnimateModel": "Load EasyAnimate Model",
    "EasyAnimateI2VSampler": "EasyAnimate Sampler for Image to Video",
    "EasyAnimateT2VSampler": "EasyAnimate Sampler for Text to Video",
}

init.py文件

在我们仓库的根目录，还需要一个__init__.py文件来导入这些节点：
在这里插入图片描述
具体代码为：

from .comfyui.comfyui_nodes import NODE_CLASS_MAPPINGS, NODE_DISPLAY_NAME_MAPPINGS

__all__ = ["NODE_CLASS_MAPPINGS", "NODE_DISPLAY_NAME_MAPPINGS"]

插件导入comfyUI

只要将这个文件移入到comfyUI的custom_nodes文件夹即可。
在这里插入图片描述
然后我们可以在ui界面中找到我们定义的这些节点。
在这里插入图片描述

Bubbliiiing
关注
  • 4
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
《Python基础教程》专栏总结篇
weixin_43178406的博客
10-11 12万+
今天给大家带来的文章是《Python基础教程》专栏总结篇，希望能对同学们有所帮助。 文章目录 1. 背景 2. 专栏亮点 3. 你的收获 4. 详细目录
AIGC专栏4——Stable Diffusion原理解析-inpaint修复图片为例
Bubbliiiing的学习小课堂
08-06 1万+
Inpaint是Stable Diffusion中的常用方法，一起简单学习一下。Inpaint是一项图片修复技术，可以从图片上去除不必要的物体，让您轻松摆脱照片上的水印、划痕、污渍、标志等瑕疵。一般来讲，图片的inpaint过程可以理解为两步：1、找到图片中的需要重绘的部分，比如上述提到的水印、划痕、污渍、标志等。2、去掉水印、划痕、污渍、标志等，自动填充图片应该有的内容。
AIGC专栏2——Stable Diffusion结构解析-以文本生成图像（文生图，txt2img）为例
热门推荐
Bubbliiiing的学习小课堂
06-11 1万+
用了很久的Stable Diffusion，但从来没有好好解析过它内部的结构，写个博客记录一下，嘿嘿。Stable Diffusion是比较新的一个扩散模型，翻译过来是稳定扩散，虽然名字叫稳定扩散，但实际上换个seed生成的结果就完全不一样，非常不稳定哈。Stable Diffusion最开始的应用应该是文本生成图像，即文生图，随着技术的发展Stable Diffusion不仅支持image2image图生图的生成，还支持ControlNet等各种控制方法来定制生成的图像。
AIGC专栏8——EasyPhoto 视频领域拓展-让AIGC肖像动起来
Bubbliiiing的学习小课堂
11-12 5807
图像的AI写真是AI人像的初步应用，如何让图像动起来，形成一段视频，是AI写真领域的重要应用方向拓展。文生视频图生视频与视频转视频，是AI写真视频的3个方向。在Text2Video功能中，我们首先自选的SD模型 + AnimateDiff设置的mm_sd_v15_v2.ckpt（Animate运动先验模型；默认选取，无需自己选择），以及用户设定的prompt，生成一段顺滑的带有人脸的视频。
AIGC专栏5——EasyPhoto AI写真照片生成器 sd-webui插件介绍、安装与使用
Bubbliiiing的学习小课堂
09-04 1万+
在视觉方向的AIGC领域，AI写真是一个靠谱且经过验证的落地方案，随着StableDiffusion领域开源社区的快速发展，社区也涌现了类似 FaceChain 这样基于 Modelscope开源社区结合 diffusers 的开源项目，用于指导用户快速开发个人写真。然而对于大量使用SDWebUI的 AIGC 同学们，短时间内却没有一个效果足够好的开源插件，去适配真人写真这一功能。对于AI写真而言，需要注意两个方向的重点，一个是一定要和用户像，另外一个是一定要真实。
AIGC专栏3——Stable Diffusion结构解析-以图像生成图像（图生图，img2img）为例
Bubbliiiing的学习小课堂
07-29 1万+
用了很久的Stable Diffusion，但从来没有好好解析过它内部的结构，写个博客记录一下，嘿嘿。Stable Diffusion是比较新的一个扩散模型，翻译过来是稳定扩散，虽然名字叫稳定扩散，但实际上换个seed生成的结果就完全不一样，非常不稳定哈。Stable Diffusion最开始的应用应该是文本生成图像，即文生图，随着技术的发展Stable Diffusion不仅支持image2image图生图的生成，还支持ControlNet等各种控制方法来定制生成的图像。
AIGC专栏12——EasyAnimateV3发布详解 支持图&文生视频 最大支持960x960x144帧视频生成
Bubbliiiing的学习小课堂
07-06 4419
EasyAnimate到了V3版本，我们将vae修改从MagVIT替换成了Slice VAE，同时支持图生视频，扩大了生成的分辨率。现在EasyAnimate支持图 和 文 生视频同时最大支持960x960 144帧的视频生成，FPS为24，另外通过图生视频的能力，我们还可以进行视频续写，生成无限长视频。本文主要进行EasyAnimateV3的算法详解，并且介绍一下EasyAnimateV3的使用。
猫头虎 解析：为什么AIGC在国内适合做TOB，在国外适合做TOC？
猫头虎：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作：Libin9iOak，共赴知识与乐趣的探索之旅！
05-25 1万+
AIGC（人工智能生成内容）在全球范围内迅速崛起，成为企业数字化转型的重要工具。不同地区的市场特点决定了AIGC的应用模式：在国内，AIGC更多地落地于企业（TOB），而在国外，AIGC则更多地面向消费者（TOC）。本文将详细解析这一现象背后的原因，帮助大家更好地理解AIGC在不同市场中的发展策略。🌍通过本文的分析，相信大家对AIGC在国内和国外市场的应用有了更清晰的认识。未来，随着技术的不断进步，AIGC将在更多领域中发挥作用，推动行业的发展和变革。
vue3 antd项目实战——Form表单使用【v-model双向绑定数据，form表单嵌套input输入框、Radio单选框】
XSL_HR的博客
12-30 6797
一个功能齐全的后台管理系统，离不开Form表单的使用，从本期文章开始会详细介绍如何在项目中使用form表单、完成数据的双向绑定、各种组件的嵌套，最后形成封装好了的form表单，可以实现复用。
实用为王——IDEA精选插件推荐系列1
学海无涯，行者无疆
12-25 4516
工欲善其事，必先利器，也就是俗话说的砍柴不误磨刀工，IDE是程序猿最常使用的工具，虽然IDEA自身已经相当便捷了，但某些地方还是会存在一些繁琐的操作、重复性劳动，降低效率，而插件，就是解决这方面问题的利器，因此打算开一个专栏，将自己收集整理的实用插件，一一呈现出来。 虽然市面上有很多类似的推荐，但动不动就是搞什么什么大全，里面的插件质量参差不齐，特别实用性方面有限，花里胡哨，还是需要进行二次筛选，自己动手摸索尝试，特别是部分插件需要一些注意点，才能正常运行发挥作用。 因此，我是将实用作为第一要素，会在插
低功耗组件开源，开启IoT产品智能省电模式——RT-Thread专栏
01-19
PM 组件背景 　随着物联网(IoT)的兴起，产品对低功耗的需求越来越强烈。例如作为数据采集的传感器节点，通常需要在电池供电时长期工作，还有一些产品需要在快速的响应网络功能的同时也能拥有较低的功耗。...
时间序列专栏，例2-1 所用数据
03-01
时间序列专栏，例2-1 所用数据
专栏文章插件 for z-blog
04-23
其实就是利用程序本来的用户文章分类 模仿出 一些CMS的专栏效果 可以在后台设定作者以及专栏题图 <#CACHE_INCLUDE_COLLIST#> 可以显示一个专栏作家列表，包括【题图】【专栏名】【该作者最新文章标题及摘要】...
链表——用C++模板实现 - Microsues的专栏 - 博客频道 - CSDN1
08-03
在C++中，我们可以使用模板来创建通用的链表类，以适应不同类型的元素。以下是对给定文件中链表实现的详细说明： 首先，链表的实现是基于模板的，这意味着我们可以为任何数据类型创建链表实例，如整型、浮点型、...
大数据竞赛平台——Kaggle 入门 - wepon的专栏 - CSDN博客1
08-04
如有错误，请指1、Kaggle简介Kaggle是一个数据分析的竞赛平台，网址：https://www.kaggle.com/企业或者研究者可以将数据、问题描述、
设计已死？AIGC时代创意设计师的“智能设计”和“人智协作”
IT胶囊
07-11 667
设计师利用自己的专业知识和经验，对AIGC生成的设计方案进行细致的筛选和优化，确保最终的设计作品既保留了AI的创意灵感，又融入了设计师的独特审美和实用性考虑。这些工具能够自动化完成一些繁琐的设计任务，如色彩搭配、布局调整等，从而释放出设计师的双手，让他们有更多的时间和精力专注于设计的核心环节。在与AI的互动中，设计师不断被挑战和启发，他们的思维边界得到了极大的拓展。AIGC技术的发展和应用，正在逐渐改变我们的生活方式和工作方式，让我们能够更加便捷地获取和分享信息，也为我们提供了更多的娱乐和学习选择。
「AIGC」“AI+作业”，是辅助还是颠覆
AIGC大前端小王子
07-09 67
总的来说，"AI+作业"目前更多地被视为一种辅助手段，它为教育领域带来了许多积极的变化和可能性。然而，我们也应注意到它可能带来的挑战，并采取措施确保技术的健康发展和应用，避免对教育的本质造成负面影响。例如，通过制定合理的教学策略，平衡技术使用和传统教学方法，以及确保所有学生都能公平地获得AI辅助学习的机会。"AI+作业"指的是将人工智能技术应用于作业辅导和学习过程中，这可以包括个性化学习计划、自动化作业批改、智能辅导和推荐学习资源等功能。
「AIGC」TDSQL技术详解
AIGC大前端小王子
07-08 193
创建一个完整的TDSQL实例涉及到多个步骤，包括数据库的创建、配置、连接以及基本的数据库操作。请注意，以下示例代码是模拟操作，实际使用时需要根据TDSQL的具体环境和要求进行调整。
AIGC:AI创作短片-流程以及工具介绍（学习笔记）
最新发布
07-12 158
Suno(如果不会音律，歌词什么的，可以去Coze 国内版本找到Suno歌词创作专家AI智能体，让它生成歌词，再将其复制到Suno中制作)图片的后期处理：Midjourney重绘，Photoshop AI，即梦的画布功能。图片的放大功能：Stable Diffusion，upscayl，即梦的画布功能。GPT-soVITS、ChatTTS、琅琅配音、真人配音【剪映】文生图：Midjourney,Stable Diffusion。即梦，Pixverse、LUMA。D-iD、Runway,即梦。
04.实验吧CTF实战之WEB渗透和隐写术解密1
08-03
1.它们其实是Jother编码，它是一种运用于Javascript语言中利用少量字符构造精简的匿 2.打开Chrome浏览器，按F12键选择控制台Console

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

Bubbliiiing

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

实付元
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