神奇的交融竟意外的好用!在PS中玩转Stable Diffusion的插件!

Auto-Photoshop-StableDiffusion-Plugin: 在Photoshop中轻松使用Stable Diffusion AI Auto-Photoshop-StableDiffusion-Plugin是一个革命性的Photoshop插件,它让设计师可以直接在Photoshop中使用Stable Diffusion AI的强大功能。这个插件的出现,让AI辅助创作变得更加便捷和高效。Auto-Photoshop-StableDiffusion-Plugin为设计师和创意工作者开启了一个充满可能性的新世界。它不仅提高了工作效率,更重要的是,它为创意过程注入了新的活力。 阅读详情

前言

用过PS的各位AI大师们,是否曾闻及并涉足SD(StableDiffusion)领域?这两款软件各自独立而庞大,在今年AI浪潮的冲刷下,似乎难以忽视SD这款强大而高度可控的AI软件。

一、插件介绍

在设计师的创作中,PS几乎是不可或缺的工具之一。然而,PS在AI绘图领域似乎总是表现平平,尽管我们心甘情愿地成为Adobe的忠实用户,购买了正版的PS
Beta,也使用了创意式填充,但效果呢…已使用过的人都说“好”,同时还遇到了一些奇怪的生成错误等问题。

这个插件就是「Auto-Photoshop-StableDiffusion-Plugin」。这是一个PS插件,通过该插件,我们可以直接在PS中使用SD的功能,无需在两个软件之间频繁切换。而且,在PS设计中,我们可以随时调用SD来辅助生成由AI制作的图像。

总之,非常牛,极其强大。PS和SD这两款软件在各自领域都是巨头级别的存在,如今它们合作共事,穿上同一条裤子…现在一起逐步了解,熟悉。

二、插件安装方法

1、官方说明文档

插件安装其实是一件非常简单的事情,不必过于玄妙。在这里,我们提供了一份官方使用指南,其中包含了两款软件的插件安装包。如果懂得上网环境,就可以直接打开这个神奇的网站

如果你嫌麻烦,不想去查看官方文档,那当然没问题。我将向大家介绍安装的步骤,以及我在安装过程中遇到的一些细节问题。

2、安装StableDiffusion插件

对于熟悉SD的朋友来说,插件安装应该已经是信手拈来。主要有在线安装和本地安装两种方式。

在线安装需要连接网络,在扩展中选择“可下载”,然后按下键盘的“Ctrl+F”搜索「Auto-Photoshop-StableDiffusion-
Plugin」,最后点击“安装”即可。安装完成后,检查“已安装”列表。

但是!我在第一次尝试在线安装时遇到了问题,使用PS生成图像时,蒙版功能居然无效。这个问题困扰了我好几个小时,最终我选择了本地安装,问题迎刃而解。我不确定是我的操作问题还是插件的BUG,为了避免大家遇到头疼的问题,建议大家像我一样使用本地安装。

注:其他插件也是同理,如果在线安装导致各种错误,建议使用本地安装。
在这里插入图片描述

本地安装需要下载安装包,有两种方法:

下载完成后,将文件夹放入“extensions”中,路径如下图所示,安装完成!同样,您可以在webUI的“已安装”目录下检查是否成功安装。

为了确保插件正常运行,我们还需要打开web-ui的API模式。打开秋叶的启动器界面,找到“高级选项”,在网络设置中,打开“启动API”按钮。

3、Photoshop插件安装

安装完SD后,还需要安装PS的插件。值得一提的是,SD和PS的插件文件是一样的,就是上面提到的。

在安装之前需要注意,目前该插件仅支持「Photoshop v24」以上版本,也就是2023年版本以上。我目前安装的是2024年版本的PS。

将插件文件夹拖到PS的「Plug-ins」目录下即可。(右键单击PS软件,选择“打开文件所在的位置”即可找到「Plug-ins」目录)

4、测试并启动插件

插件全部安装完成后,我们来测试一下插件是否能正常运行。

首先,确保SD控制台正常运行,web-UI界面可以关闭,但“控制台”不能关闭,如下图所示,务必注意!

然后启动PS,点击顶部的“增效工具”,看到下方的「Auto-Photoshop-StableDiffusion-Plugin」表示安装成功,点击「SD插件(明空汉化)」即可调出操作界面。

三、四种生图功能详解

基础功能介绍:文生图是Stable Diffusion(SD)中最常用且简单的功能之一,通过输入关键词设置尺寸即可生成图片。

1. 文生图功能

操作步骤:

在Photoshop(PS)中新建画板。

选择一个写实模型,设置正向关键词和反向关键词。

使用选框工具在画板上创建选框,点击生成按钮即可在选区中生成图片。提供了重新生成选区中图片的选项,便于调整效果。

2. 图生图功能
功能介绍:图生图功能用于将真实照片转换为动漫风格的图像。
操作步骤:
1. 选择大模型和设置正向、反向关键词。

2. 框选需要绘制的区域,点击生成按钮完成图生图转换。

3. 提供了调整重绘幅度的选项,以控制图像效果。
3. 局部重绘功能
功能介绍:局部重绘功能允许在图中的特定区域进行修改,通过PS的选区、钢笔等工具实现快速精准的选取。

操作步骤:

1. 在SD web-ui中上传图片并使用画笔涂抹需要修改的区域。

2. 在PS中使用选区工具选中主人物,通过蒙版图层实现局部重绘。

3. 提供了取消选区、导入缩略图、删除缩略图等功能。
4. 外绘扩图功能

功能介绍:外绘扩图功能用于填充非原始图像的空白区域。

操作步骤:

1. 使用PS裁剪工具扩大画布。

2. 全选画板区域,设置重绘幅度,点击生成按钮完成扩图。
四、 Controlnet功能
功能介绍:Controlnet是SD中强大的功能,可以在PS中使用。通过Controlnet可以实现生成与上传图片中人物姿势一致的图像。

操作步骤:

1. 在Controlnet插件中上传图片,使用选区选中图片。

2. 在文生图设置完成后点击生成按钮,即可生成具有相同姿势的图片。
6. Controlnet生图操作详解

操作步骤:

1. 在Controlnet选项卡中确保选中。

2. 使用Controlnet控制的区域框选并设置原始图。

3. 在文生图中设置模型、关键词以及其他生成设置,点击生成完成操作。
7. 插画师线稿上色

操作步骤:

1. 使用Scribble预处理器及模型。

2. 选择合适的大模型,填写关键词,生成线稿上色图。

3. 在PS中可以调整细节。
8. 语义分割绘图

操作步骤:

1. 上传图片,使用Controlnet插件中的seg预处理器生成语义分割图。

2. 在语义分割图上进行绘制,可以通过控制颜色块实现元素的添加,如人物、车辆等。

3. 在文生图中设置模型和关键词,生成具有语义分割元素的图片。

通过这些功能,用户可以在PS中更灵活地使用Stable Diffusion,完成各种图像生成和修改的操作。

四、Controlnet功能

Controlnet是Stablediffusion中的一项功能,被认为是最为强大和著名的功能之一。以下是对Controlnet功能的详细解释:

1. 界面功能介绍

Controlnet插件的界面相对简单,因为功能相对较少。操作步骤与Stablediffusion中使用Controlnet相同。在Photoshop中,需要确保选择了Controlnet选项卡,并在上传图片后使用选区选择图片,因为插件的所有操作都基于选区进行绘图。

2. 生图操作详解

生图操作的步骤与Stablediffusion中使用Controlnet完全一致。在PS中,需要注意一些点:

1. 使用Controlnet时确保选中该选项卡。

2. 上传图片后需要使用选区选中图片,因为插件的所有操作都基于选区进行绘图。

3. 框选需要使用Controlnet控制的区域后才能设置原始图。

3. 插画师线稿上色

在学习基础操作后,插画师可以进行线稿上色的案例。选择Scribble预处理器和模型,然后选择适当的大模型,填写正向和反向关键词。在完成文生图的设置后,点击生成即可创作一张与原图人物姿势一致的图片。

4. 语义分割绘图
1. 上传一张图片,使用Controlnet插件中的“seg”预处理器生成语义分割图。

2. 生成的色彩图对应语义分割图,其中的色块表示不同元素。

3. 通过画一个与人物对应颜色的色块,可以在桥上添加一个人物。

4. 通过固定seed值,使用上述生成人物的操作再次生成,可以在画面中添加不同的元素,如车辆。

通过这些操作,插画师可以灵活运用Controlnet插件进行绘图,实现不同的效果。插件的强大功能使得在PS中使用Stablediffusion变得更加便捷和有趣。

五、总结

这个插件还有其他一些功能,都是一些额外的点缀,大家可以自行尝试。可以明显感受到,这款插件不仅改进了SD的操作体验,还弥补了PS中AI绘图功能的不足,更解决了我们这些喜欢白嫖的用户的需求。正如俗话所说,各位安好,一切都很妙。

所有的AI设计工具,模型和插件,都已经整理好了,👇获取~
在这里插入图片描述

这里直接将该软件分享出来给大家吧~

PS的stable diffusion插件安装指南 3.插件地址:https://github.com/AbdullahAlfaraj/Auto-Photoshop-StableDiffusion-Plugin#method-3-the-uxp-method-instruction-for-developers。1.首先要安装stable diffusion,具体安装方法,参考https://blog.youkuaiyun.com/sheji888/article/details/139196688。回到“稳定扩散”选项卡,刷新模型列表,SD安装的模型就加载过来了。 阅读详情

相关推荐

如何在Photoshop中,使用本地Stable Diffusion WebUI的绘图能力

相信设计师朋友们最熟悉的软件应该就是photoshop了,现在AI绘图虽然控制性越来越强,但跟ps比起来,还是要弱很多,尤其是图层、蒙版、笔刷、色调校色等等功能,所以就算是使用SD或者midjourney生成了图像,最终还是要放在ps里边调整和优化,甚至要来回的切换软件进行调整和优化,这就比较麻烦,所以这里介绍一款Photoshop中接入SD的插件:源地址:Auto-Photoshop-StableDiffusion-Plugin第一,你需要先安装好Photoshop,该插件支持的最低 Photoshop

聚梦小课堂 3074

Photoshop安装StableDiffusion插件安装使用教程解决面临高峰需求问题

借助 Auto-Photoshop-StableDiffusion-Plugin,您可以直接在 Photoshop 中使用 Automatic1111 Stable Diffusion 的功能,而无需在程序之间切换。这使您可以在熟悉的环境中轻松使用 Stable Diffusion AI。您可以使用所有您喜欢的工具编辑您的 Stable Diffusion 图像,并将其保存在 Photoshop 中。

weixin_43833874的博客 6749

Auto-Photoshop-StableDiffusion-插件安装使用教程

借助 Auto-Photoshop-StableDiffusion-Plugin,您可以直接在 Photoshop 中使用 Automatic1111 Stable Diffusion 的功能,而无需在程序之间切换。这使您可以在熟悉的环境中轻松使用 Stable Diffusion AI。您可以使用所有您喜欢的工具编辑您的 Stable Diffusion 图像,并将其保存在 Photoshop 中。

PS 插件新玩法!Stable Diffusion 与 PS 的神奇交融竟如此好用

各位熟悉PS的AI达人,是否接触过Stable Diffusion?这两款专业工具各具特色。在当前AI技术蓬勃发展的背景下,SD这款功能强大且高度可控的AI绘图软件值得关注。

A2421417624的博客 1159

【知识点总结】电路原理 第一讲

大家好,从今天起,我将开始更新自上大学以来所学到的各种知识,之所以选择更新它们是因为最近我一直在收拾整理自己自上大学以来所收获到的各种知识,看着那厚厚一沓的书本心里不由得犯愁。如果我想找到特定的知识,那岂不是得翻到猴年马月。俗话说得好,下雨天打鞋子,闲着也是闲着,为此我设置一个专栏,将知识点一一分类总结,目的在于更好的整理所学的知识。本人学艺不精,有一些知识点地方可能存在瑕疵,希望各位大佬可以多多指教。以下是本篇文章正文内容虚断:一般通用性运算放大器的正反向输入端之间的电阻非常非常的大。

weixin_51130221的博客 4万+

AWD线下攻防赛总结

在本地组策略编辑器里面,依次展开计算机配置—>管理模板—>Windows组件—>远程桌面服务—>远程桌面会话主机—>连接—>限制连接的数量。8.Web目录环境查找相关可疑文件:jpg/png/rar,属性、解压。进程线程:netstat / ps -aux/netstat -apt。4.查看/etc/init.d/rc.local中启动服务有无异常。1.不使用默认口令,修改成复杂的,并确保和web环境连接。5.使用脚本开启进程监控、目录监控、流量监控。文件操作监控.exe/御剑文件监控.exe。

XuJL89的博客 631

PS安装SD插件(Auto-Photoshop-StableDiffusion-Plugin)打开PS报错没有在webui安装插件,实际已安装

PS已经成功安装好Auto-Photoshop-StableDiffusion-Plugin插件,并已经在SD的webui中按照官方文档安装好了extension,但是打开PS后会提示请在automatic1111 extensions tab安装插件。

马鑫珑的博客 2096

手把手教你用STM32标准库写一个能OTA升级的Bootloader(附完整代码)

本文详细介绍了如何使用STM32标准库开发支持OTA无线升级的Bootloader系统,包括Flash分区规划、Bootloader核心实现、无线升级流程及安全校验机制。通过实战代码示例,帮助开发者快速掌握STM32固件升级技术,提升物联网设备的远程维护能力。

weixin_30181209的博客 265

关于Photoshop中的【Stable-Diffusion WEBUI】插件:Auto.Photoshop.SD.plugin

之前都是谈论Stable-Diffusion的插件,这次是Photoshop的插件来调用WEBUI的API(好晕)……

Shion's bla bla blog 4239

《详细指南:本地部署Ollama大型模型的完整步骤》

通过本指南,您应该能够成功地在本地部署Ollama大型模型,并开始使用它进行各种AI任务。Ollama的易用性和高性能使其成为研究和开发的理想选择。Ollama是一个高性能的AI模型部署平台,支持在本地轻松部署大型语言模型。本指南将详细介绍如何在本地环境中部署Ollama,并运行一个大型模型。

eclipsercp的博客 3699

java实现mavlink协议解析与封包上传数据,实现mavlink数据交互,附带代码、详解

本篇文章介绍了使用java来进行mavlink协议解析,封包与解包的过程,并附带源码供大家使用。MAVLink(Micro Air Vehicle Link,微型空中飞行器链路通讯协议)是无人飞行器与地面站(Ground Control Station ,GCS)或云端服务器之间通讯,以及无人飞行器之间通讯最常用的协议。它已经在PX4、APM、PIXHAWK和Parrot AR.Drone飞控平台上进行了大量测试。

qq_30279827的博客 1450

【亲测免费】 Auto-Photoshop-StableDiffusion-Plugin 使用教程

项目的目录结构如下: ``` Auto-Photoshop-StableDiffusion-Plugin/ ├── manifest.json ├── start_server.bat ├── start_server.sh ├── update_plugin.bat ├── update_plugin.sh ├── viewer.js ├── README.md └── ... ``` ##...

gitblog_00624的博客 1034

max96712 GMSL1/2 相机调试记录

在部分相机调试中,使用i2cdetect 无法进行i2c扫描,一旦进行扫描会影响整个I2C总线通信异常,但是其能使用i2ctranfer命令进行读写操作,并不影响相机的开发调试。max96712的流路径分布如下图所示,需要通过对max96712进行相关配置,对GMSL-A/B/C/D进入的数据规划pipe。确认VID_PKL_DET 状态。max96712相关状态确认。MAX97612 状态确认。Linux 状态确认。

navy2015_163的博客 1110

Photoshop上的开源Stable Diffusion插件教程:工作效率提升100倍!一键安装,即装即用

Photoshop上的开源Stable Diffusion插件教程:工作效率提升100倍!一键安装,即装即用

WANGJUNAIJIAO的博客 2056

【纯实战】C#基于TCP/IP实现三菱PLC MC协议完整通信(含完整源码+通信原理+避坑指南)

MC协议是三菱电机为旗下MELSEC系列PLC量身定制的以太网专用通信协议,本质是一套基于TCP/IP的应用层协议规范,专门用于实现上位机(PC/工控机)与PLC之间的双向数据交互,支持对PLC的软元件(X/Y/M/D/W/T/C等)进行读、写、批量读写等核心操作,同时支持PLC状态查询、程序启停等控制指令。重要:三菱PLC的MC协议默认基于TCP 4999端口通信,部分新版本FX5U/Q系列也支持TCP 5000端口,核心通信逻辑一致。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 898

CANFD加速是什么?和CANFD有什么区别?

在使用CAN设备上位机的时候,已经选择了CANFD,但还有一个选项是“CANFD加速”,那CANFD加速和不加速有什么区别呢?刚接触CANFD小伙伴肯定一脸懵,本篇主要是给大家分享一下他们的区别,如果对你有帮助,请转发,收藏,点赞💐🎉👍😊

汽车电子软件领域知识分享 1041

Stable Diffusion教程(7) - PS安装AI绘画插件教程

输入提示词,用矩形选择框选择一个区域,点击Generate Txt2Img即可生成图像。打开stable diffusion webui,并确保启用api打开。可能问题:本人用ps2022发现没有这个选项。将插件文件解压并放到ps插件目录。打开ps,在增效工具里面打开插件。解决:换了ps2023就可以了。如果网络不好,可使用我下载好的。还没安装的从知识库安装。还没安装的从网盘下载。

程序员阿超的博客 2885

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")

Auto-Photoshop-StableDiffusion-Plugin 常见问题解决方案

**Auto-Photoshop-StableDiffusion-Plugin** 是一个用户友好的插件,旨在简化在 Photoshop 中生成稳定扩散图像的过程。该插件允许用户直接在 Photoshop 中使用 Automatic1111 或 ComfyUI 作为后端生成稳定扩散图像,而无需在不同程序之间切换。这使得用户可以在熟悉的 Photoshop 环境中轻松使用 Stable Diffus...

gitblog_09307的博客 943

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

调试Auto-Photoshop-StableDiffusion-Plugin时,遇到代码错误应该怎么办

如果学习Auto-Photoshop-StableDiffusion-Plugin这个插件的代码思路,了解下comfyui和photoshop如何通信,需要下载代码到本地:https://github.com/AbdullahAlfaraj/Auto-Photoshop-StableDiffusion-Pluginemm,然后加载和运行,然后就会发现各种报错。比如说:Cannot find module 'react' or its corresponding type declarations.Uncau

聚梦小课堂 790

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

跟着我,在PS里成功装上SD插件(终极教程!附基本操作步骤)

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。

A1353192296的博客 4278

自动Photoshop稳定扩散插件:创新图像处理的新境界

在图像处理的世界里,Adobe Photoshop一直是一个不可或缺的工具,而如今,一个名为“Auto-Photoshop StableDiffusion Plugin”的项目将AI的力量带入了这款著名的软件中,为用户提供了一种全新的创作方式。 ## 项目简介 这个开源项目由开发者AbdullahAlfaraj创建,它是一个适用于Photoshop的插件,利用**稳定扩散(Stable Dif...

gitblog_00088的博客 608
上一篇: 2025想转行AI赛道的!现在准备还来得及!
下一篇: AI绘画SD 万字长文详解Openpose,为你的私人写真增添丰富精准姿势
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1479原创
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
 
 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