招聘贴 | 成都-AI工程师 Stable Diffusion

最新推荐文章于 2025-06-09 23:54:15 发布
最新推荐文章于 2025-06-09 23:54:15 发布
阅读量114 收藏
点赞数 3
文章标签： 人工智能 stable diffusion python 职场和发展 AIGC
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/zhuozhuojobs/article/details/148304880
版权

【成都】 诚聘 【AI工程师】
1 产品情况：C端AI图片&视频生成类产品，聚焦海外市场（欧美为主）
2 岗位亮点：
A 已发布落地产品，处于快速增长期
B 团队成熟，专业度高，出海经验丰富
3 工作职责：负责AI产品的模型研究及调优，实现文/图生视频，辅助产品实现各种AI生成效果
4 岗位要求：熟悉Stable Diffusion的模型架构，熟练使用 PyTorch，具备模型训练和优化能力；对AI技术有好奇心和学习能力

【公司信息】
1 公司：成都卓拙科技有限公司 https://zhuozhuo.io/，创始团队均来自电子科技大学，17年开始深耕出海，累计用户1.9亿+
2 行业：互联网
3 坐标：四川省成都市武侯区天府五街软件园D7
4 薪酬：12-18K/月
5 福利：全额五险一金、免费午餐+晚餐、加班打车、当月发当月工资、周末双休、MAC办公

【简历投递】
1 官网招聘页/亦可查看更多详情：https://zhuozhuo.io/career
2 邮件投递：jiangyueyuan@zhuozhuo.io（邮件名格式：AI工程师-姓名-CSDN）

Zhuozhuo-Jobs
关注
深入浅出解析Stable Diffusion中U-Net网络
Buoluochuixue的博客
08-20 145
题意给你一个 的表 , 行列的元素为，然后给你一个序列，让你在表格里面找一个行的连续元素，满足，，思路这边的序列变成 ，因为，可以推导出设很显然第一个的通解为，100 50 100题1，第K大的数，排序都懒得写，直接Arrays.sort题2，多线程顺序执行，用的join，不知道为啥只过了50，懒得改了题3，正则表达式。#虹软# 坑1，照片采集采了二十分钟，笑了。哈人，太哈人了，第一题签到，第二题想不出来怎么做，直接枚举全排列过了83.3，第三题写了130行优化的bfs才AC，第四题输出样例，太哈人了。
Stable Diffusion API 调用实战：详细教程
2301_79125642的博客
12-27 650
2⃣️正因为我21年也是这样的想法，让我现在有多痛苦！忍痛拒绝华为的那一刻，秋招划上了完整的句号想起秋招前一位学长说的“不要有压力，回过头会发现比自己想象的要厉害一些”寒假写好自己的第一版简历三月开始第一场面试，开。宁波福尔达：光学工程师，做照明设计，试用期月薪8800，转正11k~12k，包吃住，双人间，公积金全额8%，早八晚五双休，民企上海航天科工电器：工艺工程师，光模。佬们帮孩子看看简历吧，找工作真的找麻了，本人双非民办二本，因为之前在实习，没有意识到秋招的重要性，直接给错过了。
打破信息差！AI副业变现没你想象的那么难！
2401_84760322的博客
07-12 1730
在人工智能生成式应用爆发以前我是一名HR属于好处不见，黑锅不断的那种受到委屈的时候，我就在想在过去公司遇到困难，我同公司一路风雨走来，算是同路人吧学历我们也是211啊，高级人力资源管理师，有时外面的咨询公司还请我去帮他们做咨询项目，也有接外面讲管理课的活，不是那种在公司缺乏专业能力，混吃等死的人吧工作任劳任怨，加班当成家常便饭，对公司也算是有贡献的，拿我们成都这边的话来说：没有功劳也有苦劳，没有苦劳，也有疲劳但是年龄不饶人，30左右是个宝，35岁算根草，何况我这颗草都算要枯萎的了！
从关键新闻和最新技术看AI行业发展（2024.5.20-6.2第二十四期） |【WeThinkIn老实人报】
欢迎大家关注我
06-03 1487
阅读【WeThinkIn老实人报】，掌握最新AI行业资讯，提升个人基本面。
从关键新闻和最新技术看AI行业发展（2024.4.8-4.21第二十一期） |【WeThinkIn老实人报】
欢迎大家关注我
04-28 1580
阅读【WeThinkIn老实人报】，掌握最新AI行业资讯，提升个人基本面。
从关键新闻和最新技术看AI行业发展（2024.3.11-3.24第十九期） |【WeThinkIn老实人报】
欢迎大家关注我
04-28 1316
阅读【WeThinkIn老实人报】，掌握最新AI行业资讯，提升个人基本面。
【精彩回顾·成都】成都 UG 生成式 AI 工作坊：AI 革命下的商业模式创新！
白鹿第一帅的 CSDN 博客
09-01 1196
大家好，我是亚马逊云科技成都 User Group Leader，CSDN 成都城市开发者社区（以下简称：COC 成都社区）、数据库技术专区主理人郭靖，在 6 月 30 日，亚马逊云科技成都 UG 社区联合 CSDN 成都城市开发者社区在成都这座充满活力的城市成功举办了主题为《成都 UG 生成式 AI 工作坊：AI 革命下的商业模式创新！》的技术盛事。此次活动汇聚了业界先锋、企业家和技术爱好者，共同探索如何在人工智能的新时代背景下，驱动商业领域的变革与发展。
从关键新闻和最新技术看AI行业发展（第三十期2024.8.12-8.25） |【WeThinkIn老实人报】
欢迎大家关注我
09-01 1713
阅读【WeThinkIn老实人报】，掌握最新AI行业资讯，提升个人基本面。
从关键新闻和最新技术看AI行业发展（2024.6.17-6.30第二十六期） |【WeThinkIn老实人报】
欢迎大家关注我
07-04 1425
阅读【WeThinkIn老实人报】，掌握最新AI行业资讯，提升个人基本面。
深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（2）
ak47maker的博客
06-05 632
本文针对ResNet18模型剪枝进行了优化改进，主要包含三个方面：1) 将剪枝目标层从底层conv1调整为中间层layer2.0.conv1，减少对基础特征的破坏；2) 采用基于激活值的前向传播方法评估通道重要性，优先剪除低激活通道；3) 改进微调策略，动态解冻关联层并使用更低学习率(0.0001)进行10轮微调。这些优化有效提升了剪枝后模型的稳定性和性能表现，特别是通过中间层剪枝和基于特征贡献的通道选择策略，避免了底层特征破坏带来的连锁反应。
yolo模型精度提升策略
最新发布
qq_47798402的博客
06-09 286
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
【python深度学习】Day 45 Tensorboard使用介绍
2203_75479908的博客
06-05 665
之前在神经网络训练中，为了帮助自己理解，借用了很多的组件，比如训练进度条、可视化的loss下降曲线、权重分布图，运行结束后还可以查看单张图的推理效果。tensorboard这个库，集成了以上所有可视化工具。
智能终端与边缘计算
wozaiwurenchu的博客
06-05 864
Cloudlet的定义和主要特征Cloudlet（微云）概念于2009年首次出现。它是一种成熟的边缘计算系统，旨在将移动计算的“端-云”两层架构转变为**“端-边-云”的三层架构** [对话历史]。Cloudlet通常部署在网络边缘，靠近接入点、基站或汇聚点，甚至可以直接运行在智能网联汽车或无人机上 [对话历史]。主要特征：可信且资源丰富的主机或机群。基于虚拟机技术，为移动终端提供服务。Cloudlet通过将与具体应用相关的数据部分从通用部分中抽离出来，形成VM Overlay与Base VM。
法律AI的“幻觉”治理：大模型如何重塑司法公正与效率
七刀的专栏
06-04 1173
在传统律师事务所中，一位律师审查一份50页的商业合同平均需要3小时；而在引入法律大模型后，这一时间被缩短至20分钟。效率提升的背后，是一场正在席卷全球法律体系的智能化革命——。
Langchain4j 文档处理（7）
m0_58617940的博客
06-05 1129
来自 langchain4j 模块的文件系统文档加载器（FileSystemDocumentLoader）来自 langchain4j 模块的类路径文档加载器（ClassPathDocumentLoader）来自 langchain4j 模块的网址文档加载器（UrlDocumentLoader）来自 langchain4j-document-loader-amazon-s3 模块的亚马逊 S3 文档加载器（AmazonS3DocumentLoader）
【oobabooga 本地AI模型搭建】
开心就好了啦
06-05 945
用于大型语言模型的 Gradio Web UI。其目标是成为文本生成的。
高效VLM：VisionZip
my的博客
06-04 655
《VisionZip：视觉语言模型中的高效视觉标记压缩方法》针对现有视觉语言模型(VLMs)存在的视觉标记冗余问题，提出了一种创新解决方案。研究发现，传统VLMs使用长序列视觉标记会导致计算成本高昂，且大量标记注意力权重趋近于零，存在显著冗余。VisionZip通过两阶段处理（保留主导标记+合并次要标记），在仅保留10%标记的情况下实现95%的原模型性能，并将LLaVA-NeXT模型的预填充时间减少8倍。该方法支持无训练应用、高效微调和从头训练三种模式。
stable-diffusion-v1-5 / stable-diffusion-v1-5
02-20
### Stable Diffusion V1.5 版本详情 Stable Diffusion 的官方模型 V1.5 相较于之前的版本，在整体的画面构成方面变化不大，但在色阶对比度和光源渲染上有显著提升。具体来说，光源效果变得更加平滑合理[^1]。 对于希望获取此模型的用户而言，原本可以在 Hugging Face 上找到由 Runway 开源发布的 SD1.5 权重文件[^2]。然而由于版权争议的影响，Runway 已经将其从平台上移除，这使得直接通过官方渠道下载变得困难[^3]。 尽管如此，社区内仍然存在其他途径可以合法获得并使用这个版本。需要注意的是，在实际操作过程中可能会遇到硬件资源限制的问题，比如 GPU 显存不足的情况。当面对 `CUDA out of memory` 错误时，可以通过调整推理参数来解决问题，例如减少批量大小(batch size)，降低图像分辨率等措施[^4]。 #### 使用说明示例代码 为了帮助理解如何应用该模型，下面提供了一个简单的 Python 代码片段用于加载预训练好的 Stable Diffusion v1.5 并生成一张测试图片： ```python from diffusers import StableDiffusionPipeline import torch model_id = "runwayml/stable-diffusion-v1-5" device = "cuda" pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16).to(device) prompt = "a photograph of an astronaut riding a horse" image = pipe(prompt).images[0] image.save("astronaut_rides_horse.png") ```
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
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