说真的，学会用SD做电商图，你才是真的入了门

不秃头de程序猿 不秃头de程序猿 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-04-01 02:44:36 发布 1k 阅读 AI 写同款· GEO 优化 ›
华为OD机试真题 新系统 2026-04-22 C++ 实现【小学生班长选举增强版】 9 月份开学第一天，小学某班级进行班长选举活动，班级共有 N 个学生，每个学生最多可投 3 票（对同一个人只能投一票），也可以弃权不投票，大家投票时写上对应学生的名字。 假设学生不存在重名。考虑到部分少数民族名字带分隔，且整体较长，同学在投票时为了方便，允许同学写全称，也可以只写其中的部分连续段。 例如班级里只有 2 个少数民族名称带点的同学： 阅读详情

从2024年10月的时间节点来看，Stable Diffusion依然是小众产品。

用具体的数字来衡量，假如国内ChatGPT的用户有1亿人，那么Midjourney的用户大约是GPT的十分之一，千万级的规模；而SD又是MJ的十分之一左右，也就是百万级。

而事实上，SD之所以最有可能成为新一代生产力工具，正是因为它有更强的可控性，即便Midjourney也难以望其项背。

而我要做的事，就是毫无保留的与各位分享实际案例和方法，希望有更多人看到SD的生产能力，进而有兴趣学习和使用。

这篇文章不会告诉你如何绘制更好看的小姐姐，相反，你可以从中学到一种新技能：即便足不出户，也能用Stable Diffusion绘制精美的电商产品图。

具体而言，你会看到这样的过程：

一个随手拍摄的咖啡杯

如何变成这样

这样

或者是这样

制作全流程都在这篇文章里，跟着做，你也能学会。

在开始之前，我们先捋一捋制作思路：

从一张真实产品图开始——分割背景和产品——替换背景——调整尺寸和文字

拍摄真实产品图

别看一些MJ教程中用提示词出产品图，绕不开的问题是随机性太大。如果你的商品已经是实物，毫无疑问，必然货要对板。

首先你要拍摄若干张实物图，拍摄设备并不需要太高要求，手机相机都可以，唯一的要求是光线充足，细节清晰，就像下面这样：

虽然照片中放置商品的盒子沾满猫毛，但这并不重要，它提供了一个简单有效的参照物，在后面的制作流程中能极大地减少我们的修正工作量。

照片的处理工作还没结束，手机拍摄的照片分辨率超过3K，这样的分辨率在Stable
Diffusion中处理难度太大，电商平台的商品详情页并不需要如此高的分辨率，所以我们要预先调整照片尺寸。

以手机拍摄的3024x4032为例。如果你的设备显存高于16G，那么你可以缩减一半，改成1512x2016；如果你的设备显存低于16G，我建议你一步到位缩小3-4倍，改成1008x1344或者756x1008，先出图，再扩精度。

万物皆可SAM

如果你看过我之前写的文章，就不难理解我对Segment Anything有多推崇。技术进步带来的直观变化，就应当是任何人都可以学会的效率工具。

左键选择要保留的图形，右键选择不需要的图形，然后点击预览，前后不过一分钟的时间，蒙板就已经做好了。

这一步工作还没完，为什么现在市面上一些基于SD制作的电商图工具出图效果并不理想，正是因为它们忽略的商品的相对关系。如果做出来的商品图让人看着一眼假，谁又会相信产品详情页的描述货真价实呢？

接下来这一段是重点：

原图导入controlnet，选择预处理器softedge_hed得到预览图

下载预览图，然后修改成下面这个样子：

这样，你就得到了一个主要产品和次要背景之间直接联系，这能为你后面的出图和修改节约大量的时间。

万事俱备，开始替换背景。

局部重绘

主模型推荐realisticVision或者majicmixRealistic

正向提示词，重点描述产品背景

(best quality),(masterpiece), (photorealistic:1.3),extreme detail, product
photo,raw photo, coffee_shop background, day time,warm light, no human,

反向提示词，常规的反向embedding

bad-picture-chill-75v BadDream badhandv4 EasyNegative FastNegativeV2
ng_deepnegative_v1_75t UnrealisticDream,(coffee cup:1.5),

参数设置如下图

重绘幅度可以多尝试几次，有时降低幅度反而会有更好的出图效果。

Controlnet设置平平无奇，没什么特别需要调整的地方。

直接出图：

实测1363x1817分辨率直出，显存峰值占用21.6GB，建议低于24G显存的用户出图分辨率不要超过1K。

跑出一张图之后，你就可以多抽几次背景，或者继续修改提示词尝试，再或者按照之前介绍的扩图方法延展画面，最后加上必要的文字，一系列咖啡杯广告图就做好了。不清楚的地方可以回看前几期文章，这里就不再累述。

有些时候我们不止要有产品，还需要个代言人，最好还是能指定性别、年龄、肤色的代言人，怎么办？

好办！如果你看过画手的那篇文章就不难理解：你需要的并不是一个代言人，而是一张拿着产品的人像照片。

流程如下：

拍摄真人产品图

叫上你的同事或者亲朋好友，性别年龄都不重要，重要的是摆出pose

再一次，万物皆可SAM

别忘了手部特写，值得单独做个softedge_hed

万事俱备，开始重绘

主模型推荐realisticVision和photon（欧美面孔）或者majicmixRealistic（亚洲面孔）

正向提示词：

Best quality,masterpiece,ultra high res,raw photo,deep shadow,dark
theme,(photorealistic:1.4),(1man,smiling),(fashion clothes:1.2),inspired by
brutalist architecture,vibrant color palette,undertones,hart hand, (london
street),(standing in front of starbucks coffee shop:1.3),(sfw:1.1),good
fingers,good logo,(starbucks logo:1.3)

反向提示词：

bad-picture-
chill-75v,BadDream,badhandv4,EasyNegative,ng_deepnegative_v1_75t,exposed,
(nsfw:1.1), many fingers, many hands, (nsfw:1.1)(tatoo)

设置参数跟上面的案例差不多，区别在于controlnet是这样的：

如果你不放心身体姿态，多加一个openpose也未尝不可：

直接出图：

还是那句话，只要你成功做出了一张图，你就已经做出了无数张图 。重复这个工作流，你可以制作出任意姿势的真人产品图，一次性生成十几张，慢慢挑就行了。

既然你已经看到了这里，我建议你也动手试一试。创作的快乐，真的难以想象。
最后，如果大家对AIGC感兴趣，SD的相关学习资料，以及AI绘画进阶版——Comfu UI桌面版、各种模型插件、提示词、AI人工智能学习资料都已经打包好放在网盘中了，无需自行查找，有需要的小伙伴文末扫码自行获取。
在这里插入图片描述

收录于
AIGC

当前文章被收录于：

AIGC
112 篇文章 2 人学习

分享AIGC的相关信息和各种干货。

订阅专栏 查看详情
标签
#人工智能 #AIGC #stable diffusion #SD #电商图片制作
#产品图片制作 #SD教程
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。
在Windows 10/11上使用Qt和SOEM构建EtherCAT主站：工业控制新纪元 ☑️ Windows平台上的EtherCAT主站☑️ 微秒级精度的实时控制☑️ 动态设备配置与管理☑️ 直观的Qt监控界面☑️ 分布式时钟同步“技术不是取代人类的工具，而是拓展人类能力的翅膀。当我们在Windows上实现微秒级精度的工业控制时，不是在征服机器，而是在创造人与机器和谐共舞的新舞台。集成AI异常检测算法支持EtherCAT G协议云端监控与远程诊断完整项目代码预编译SOEM库示例视频教程。 阅读详情

相关推荐

泛微OA表单设计实战：如何快速实现自定义多选浏览框（附完整配置步骤）

本文详细介绍了在泛微OA中快速实现自定义多选浏览框的完整配置步骤。针对招聘提报、活动审批等需要从海量数据中规范选择多个条目的业务场景，文章从理解需求、构建数据源、设计查询页面到创建浏览框控件，提供了清晰的实战指南，帮助开发者高效解决复杂数据选择难题，提升表单操作体验。

yog99的博客 1051

【AI绘画】说真的，学会用SD做电商图，你才是真的入了门

家好，我是写编程的木木。 用具体的数字来衡量，假如国内ChatGPT的用户有1亿人，那么Midjourney的用户大约是GPT的十分之一，千万级的规模；而SD又是MJ的十分之一左右，也就是百万级。 而事实上，SD之所以最有可能成为新一代生产力工具，正是因为它有更强的可控性，即便Midjourney也难以望其项背。 而我要做的事，就是毫无保留的与各位分享实际案例和方法，希望有更多人看到SD的生产能力，进而有兴趣学习和使用。 这篇文章不会告诉你如何绘制更好看的小姐姐，相反，你可以从中学到一种新技能：即便

HJS123456780的博客 1659

还在用iReport 5.6.0？手把手教你用JasperSoft Studio 6.8.0设计报表（附JDK 11+兼容方案）

本文详细介绍了从iReport 5.6.0迁移到JasperSoft Studio 6.8.0的全过程，包括JDK 11+环境配置、项目迁移实战、高级特性应用及常见问题解决方案。帮助开发者高效完成报表生成工具的升级，提升开发体验和报表性能。

weixin_30687051的博客 408

设计师必备的5 个 SD模型！涵盖3D、电商、B端，附模型！

技术紧密结合，在更多的领域得到广泛应用。

z099164的博客 2408

Astah 9.0升级步骤（Widnows/Mac OS）

Astah Professional是一款全新的轻量级UML建模工具。软件集思维导图和UML建模于一体，采用100%纯JAVA构建， 兼容性强，不仅能够实现分布式建模、项目合并，还能够实现和其它建模工具的交互。

tequiero777的博客 2828

Error: dependent ‘..\..\..\..\Qt\5.15.2\msvc2019\include\QtWidgets\QMainWindow‘ does not exist.

核心问题：修改 Build 目录为源码子目录后，MSVC 编译报错，本质是变量设置异常，导致 qmake 生成多余回溯路径；临时解决：在 .pro 文件添加；最优解决：将上述配置写入 Qt 的 msvc 对应 qmake.conf 全局文件，一劳永逸；禁止 qmake 计算路径时向上回溯，避免生成异常路径。

mumufan05的专栏 878

5 款设计师必备的 SD模型，3D、电商、B端都能用（附模型下载）

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

白帽阿叁的博客 4133

手把手拆解固态电池成本：2030年真能比液态电池便宜30%吗？

本文深度解析固态电池成本结构，探讨2030年实现比液态电池便宜30%的可行性路径。通过拆解正极材料、负极材料和固态电解质的成本演变，分析关键技术对降本的影响，并预测产业链协同效应下的成本优化趋势。文章指出，在材料创新、设备国产化和政策支持等多重因素推动下，固态电池有望在2030年实现显著降本目标。

kite3的博客 406

如何一键使用 ComfyUI 进行本地 FLUX.1 LoRA 的训练

最近在尝试进行 FLUX.1 的 LoRA 训练，以前没有 SD1.5 和 SDXL 的训练经验，网上看到 FLUX.1 的 LoRA 炼起来效果比较好，就试了几种方案来看看效果。这个文章更多是介绍如何使用 ComfyUI 来进行 LoRA 的训练，一些训练的参数我也还在调试中，后面会陆续更新。在进行 LoRA 训练的时候，数据集也就是用于训练模型的图像，个人认为是模型训练中最重要的部分，需要花大量的时间进行整理、清洗、标注等，好的图像能带来更佳的生成效果，比如可以参考以下这些要素。

m0_71746299的博客 8448

全国区块链职业技能大赛国赛考题前端功能开发

全国区块链职业技能大赛国赛考题区块链应用前端功能开发

本郡主是喵 1335

Windows 11 安装 uv：手动下载、配置国内源

本教程详细介绍了在 Windows 11 系统下安装并配置 Python 包管理器 uv 的完整流程，包括配置环境变量 PATH、设置清华 PyPI 镜像源，以及创建收据文件以支持未来更新。适用于因网络限制无法通过官方脚本自动安装的用户，操作步骤清晰，配有图文指引，帮助读者高效完成本地部署。

寒水馨 · 轻量级技术文档 · hanshuixin.org 7622

不会用SD做电商图？你正在被同行降维打击！

截至2025年6月的最新市场调研显示，Stable Diffusion的用户规模已突破早期的小众阶段，呈现出显著的专业化发展趋势。具体用户数据表现为：国内ChatGPT用户规模已达2.8亿，Midjourney活跃用户约3000万，而Stable Diffusion的核心用户群已增长至800万量级。特别值得注意的是，SD在工业设计、电商视觉、建筑表现等专业领域的渗透率同比去年提升了47%，其精准可控的技术优势正在专业创作领域形成不可替代性。 本文将通过商业案例，重点解析如何运用Stable Diffusi

m0_59162559的博客 623

红米K70至尊版修复“nv损坏”主板电阻图示 mtk芯片工程固件刷写与步骤说明

💝💝💝红米K70至尊版 机型代码：rothko，搭载天玑9300+旗舰芯片.后置5000万像素索尼IMX906高动态OIS主摄，800万像素超广角镜头，200万像素微距镜头，前置2000万像素摄像头，也适用于以下型号的小米机型：2407FPN8EG,2407FPN8ER,XIG06,A402XM,2407FRK8EC。 💝💝💝通过博文了解 1💝💝💝-----此机型工程固件的资源刷写注意事项 2💝💝💝-----此机型刷写工程固件预览界面 3💝💝💝------红米K

小马哥的专栏 1462

3分钟学会电商ps修主图模仿做详情

我以前是一个电商小白，学习电商每种都学，最开始学的是ps，因为电商中，如果你不会ps，基本上就很难做店铺。而承载点击率的就是图片，1000个人看到，展现了，不点击。图片是想出来的，但是想的东西，交给别人做，美工做。但我们给到美工是一次对接，我们在想要达到图片完美状态，经常要修修改改，以及来回的对接成本，会让我们也完美的主图失去了兴趣。第四，英文状态下的输入法，输入t，就可以在图片上打字，ctrl+T调整字体大小，然后ctrl+确定回车键输入完成.第六，形状，这个是最重要的，这个是你要做任何图形，都有用的。

nihaoxiurong的专栏 1975

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

“SD电商图精讲课：一步步教你成为设计高手“

根据具体的数字来衡量，如果国内ChatGPT的用户数量为1亿人，那么Midjourney的用户规模大约是GPT的十分之一，即千万级别；而Stable Diffusion又是Midjourney的十分之一左右，即百万级别。 事实上，Stable Diffusion之所以有可能成为新一代生产力工具，主要是因为它具备更强的可控性，即使相较于Midjourney而言也更加出色。 我的目标是毫无保留地与大家分享实际案例和方法，希望能让更多人了解和认识到Stable Diffusion的生产能力，并对其产生

Trb201013的博客 905

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

用AI一分钟制作电商产品图，日赚300+（项目拆解）

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

m0_59162559的博客 2188

AI电商| SD + PS 白底图换场景图，新式 AI 工作流

（全套教程文末领取哈）

2401_84760322的博客 988
上一篇： 【Midjourney】中文版——保姆级上手指南！
下一篇： 用 Stable Diffusion一分钟实现电商模特换装换模特！！！（附安装包）
点赞 21
评论 0
书签 书签 23
不秃头de程序猿
不秃头de程序猿
博客等级 码龄5年 4090粉丝 1478原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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