终于能拯救我的硬盘了！BitsFusion：压缩 SD1.5 模型 7.9 倍

最新推荐文章于 2024-09-17 16:52:57 发布

三花AI

最新推荐文章于 2024-09-17 16:52:57 发布

阅读量397

点赞数

分类专栏：三花AI 文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_51674085/article/details/139623394

版权

三花AI 专栏收录该内容

364 篇文章 4 订阅

订阅专栏

BitsFusion 将 Stable Diffusion v1.5 的 UNet（1.72 GB， FP16）压缩到 1.99 Bit （219 MB），实现 7.9 倍压缩比，并且几乎不损失性能！

目前还是期货开源，非常期待，终于能拯救我的硬盘了！

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

三花AI

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

物理机：显卡3080 环境Centos7.9 如何检查及安装显卡驱动

weixin_39269896的博客

05-10

4452

根据自己的系统和显卡下载对应的显卡驱动，下载下来是一个.run文件。环境：硬件服务器：I5处理器，3080 12G显卡等显卡。的到显卡驱动的版本：525.85.05。查询结果：RTX 3060。方法二：系统检测工具判断。

Elasticsearch：Node roles 介绍 - 7.9 之后版本

Elastic 中国社区官方博客

12-10

9598

在 Elastic Stack 7.10 的发布中，我们可以直接在 Elasticsearch 的配置文件中配置 Node 的角色（node roles）。这是一个新的变化。在 7.9 发布版之前，我们使用 node.master: true 来定义一个 master 节点，但是从 7.9 开始之后，我们也可以使用另外一个方法来定义一个 master 节点。我们可以通过 node.roles 来定义一个 master 节点。但是这两种方法只可以选其一，不能两种方法同时使用。在今天的文章中，我来介绍 nod

参与评论您还未登录，请先登录后发表或查看评论

人工智能时代：AI提示工程的奥秘 —— 驾驭大语言模型的秘密武器

程序边界

02-01

7949

掌握了提示工程的艺术，你就能更好地与大语言模型沟通，发挥它们的最大效能。这不仅是一项技能，更是一种理解机器智能并能与之和谐共处的方式。让我们在智慧的海洋中乘风破浪，探索更多未知的可能。随着大语言模型的快速发展，语言AI已经进入了新的阶段。这种新型的语言AI模型具有强大的自然语言处理能力，能够理解和生成人类语言，从而在许多领域中都有广泛的应用前景。大语言模型的出现将深刻影响人类的生产和生活方式。

【02】ChatGLM3-6B部署：CentOS7.9本地部署ChatGLM3-6B模型

H66778899的博客

01-28

3061

【02】ChatGLM3-6B部署：CentOS7.9本地部署ChatGLM3-6B模型

虚拟机中CentOS-7.9的硬盘空间扩容(EXSI).doc

07-11

在虚拟机中 CentOS-7.9 的硬盘空间扩容(EXSI) 本文将指导您如何在 VMware ESXi 中扩容 CentOS-7.9 虚拟机的硬盘空间。该过程将分为五个步骤：增加虚机容量、创建新的分区、格式化新分区、LVM 实现卷扩容、文件系统...

PostGreSQL安装部署系列：Centos 7.9 安装指定PostGreSQL-15版本数据库

02-02

### PostGreSQL在Centos 7.9上的安装与部署 #### 一、引言在开始学习任何数据库之前，最重要的第一步就是安装部署一个可供学习和测试的环境。选择一个在业界广泛使用的操作系统版本，以及一个成熟稳定的数据库...

rhel 7.9 iso 安装镜像！

11-20

rhel 7.9 redhat 企业版linux安装镜像链接：https://pan.baidu.com/s/1SDB4nCuxyjK05uRZFG0fJQ 提取码：ngum 复制这段内容后打开百度网盘手机App，操作更方便哦

CentOS7.6、7.9系统httpd服务ARM架构、x86架构离线包以及具体步骤

08-31

此内容主要用于CentOS7.6、CentOS7.9操纵系统中，并且操作系统不能够链接外网无法使用yum安装httpd服务，所以只能使用离线安装包进行安装。其中步骤在实际的CentOS与服务器验证过，可能安装过程中会有问题，请根据...

WSL-CentOS7.9镜像

09-13

我们为您提供了基于WSL的CentOS 7.9镜像资源，让您能够轻松在Windows环境下运行最新版本的CentOS！为什么选择我们的WSL CentOS 7.9镜像资源呢？强大的功能：CentOS是一款稳定、可靠的Linux发行版，具备丰富的...

SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World

weixin_45834800的博客

09-13

1054

基于区域的方法在基于模型的单目3D跟踪无纹理物体的复杂场景中变得越来越流行。然而，尽管它们能够实现最先进的结果，大多数方法的计算开销很大，需要大量资源来实时运行。在下文中，我们基于之前的工作，开发了SRT3D，这是一种稀疏的基于区域的3D物体跟踪方法，旨在弥合效率上的差距。我们的方法在所谓的对应线（这些线模型化了物体轮廓位置的概率）上稀疏地考虑图像信息。由此，我们改进了当前的技术，并引入了考虑定义的全局和局部不确定性的平滑阶跃函数。对于所得到的概率公式，提供了详尽的分析。

【AI大模型】Kimi API大模型接口实现

qq_25888559的博客

09-15

1013

Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万汉字。2024年3月18日，月之暗面宣布Kimi智能助手启动200万字无损上下文内测。

开源 AI 智能名片链动 2+1 模式 O2O 商城小程序在社群活动中的应用与时机选择

最新发布

专注MarTech应用研究与实施方案

09-17

508

本文探讨了开源 AI 智能名片链动 2+1 模式 O2O 商城小程序在社群经济中的重要性，着重分析了如何借助该小程序适时举办大型活动以维持和引爆社群活跃度。通过对活动时机选择的研究，强调了针对社群用户量身定制活动时机的必要性，以赢得用户的高度参与。

opencv学习：calcHist 函数绘制图像直方图及代码实现

mohanyelong的博客

09-13

1488

opencv学习：calcHist 函数绘制图像直方图及代码实现

Djourney新手入门基础，AI摄影+AI设计+AI绘画-AIGC作图

DAMOXINGHAITAI的博客

09-14

990

（全套教程文末领取哈）从大模型系统设计入手，讲解大模型的主要方法；在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；以SD多模态大模型为主，搭建了文生图小程序案例；以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

数据爬虫中遇到验证码的解决方法

sheji888的专栏

09-17

818

数据爬虫中遇到验证码是一个复杂而常见的问题，需要综合考虑多种因素并采取合适的解决策略。通过避免触发验证码、手动输入验证码、使用验证码识别技术、绕过验证码机制以及采用分布式爬虫和代理IP等方法，可以在一定程度上提高爬虫的稳定性和效率。然而，需要注意的是，爬虫的使用必须遵守相关法律法规和网站爬虫协议的要求，确保数据抓取活动的合法性和合规性。

常见本地大模型个人知识库工具部署、微调及对比选型

09-14

863

由于作者的眼界、精力和能力也有限，并且确实也不是专业的AI研究员，仅仅是一位兴趣使然的爱好者，这里列出的几款也单纯只是作者平常关注到的，所以可能也不全，请各位见谅！文章从起笔写到这里已经过了三天了，这三天也基本把上文提到的大模型侧工具全部体验了一遍，下面说一下主要结论吧。从功能丰富度和性能优化的角度综合评估，LM Studio明显更胜一筹。从工具本身使用及模型部署效率来看，Ollama的上手速度会更快，使用会更便捷，效率也会更高。从企业级稳定性和高可用。

文档内容识别系统源码分享

xuehaishijue的博客

09-17

1395

数据集信息展示在当今信息爆炸的时代，文档内容识别系统的有效性和准确性愈发重要。为了提升YOLOv8在文档内容识别任务中的表现，我们采用了名为“FULL 2”的数据集进行训练和评估。该数据集专为文档图像的多样性和复杂性而设计，涵盖了多种类别的文本元素，使其成为优化深度学习模型的理想选择。

2024.9.16 day 1 pytorch安装及环境配置

m0_58285219的博客

09-16

442

pytorch安装及环境配置

列表 It=[1.5.7.9].Is=[2.2.6.8] 用代码实现 It=[1. 2. 2. 3.6. 7.8. 9]

05-30

It = [1.5.7.9] Is = [2.2.6.8] # 将两个列表合并，并去重排序 result = sorted(set(It + Is)) # 打印结果 print(result) ``` 输出结果为： ``` [1, 2, 3, 5, 6, 7, 8, 9] ``` 需要注意的是，上面的代码中，...