Stable Diffusion【应用篇】【艺术写真】：AI写真看过来，使用InstantID插件实现AI写真

壹只小小码农 壹只小小码农 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 1.5k累计阅读 1.5k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 2024-12-26 11:11:59 1.5k 阅读 AI 写同款· GEO 优化 ›
Stable Diffusion：AI写真看过来，使用InstantID插件实现AI写真 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。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。 阅读详情

前言

大家好，我是小南。

最近收到不少网友关于AI写真方面的留言，希望能写一些关于AI写真方面的文章。个人关注AI写真有一段时间了，网上也看到了不少写的文章教程和案例，作为一个AI绘画的狂热爱好者，自然也少不了去操作实践一下，关于AI写真，后面我会作为专题来写一系列的文章，把自己在实际操作过程中的点点滴滴记录下来，希望能对大家有所帮助。

所谓AI写真，简单来说，就是使用AI工具生成人物的写真照片，这里我们主要使用的AI工具是Stable Diffusion。AI实现艺术写真有很多种玩法，今天我们介绍AI进行艺术写真最简单的一种实现方式：插件换脸法。

插件换脸法是借助插件工具去识别人物五官特征，特别是人脸特征，然后生成一张新的照片，新的照片和原图片的人脸尽可能保持一致。

这里用到的插件就是InstantID。关于InstantID的基础知识和安装方法，可以参照之前的文章【[Stable Diffusion【ControlNet】：使用InstantID插件实现人物角色一致性]】。

一. InstantID实现插件换脸的制作方法

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

【第一步】：大模型的选择

InstantID插件支持的大模型是SDXL的大模型，所以大模型大家不要选择基于SD 1.5训练的大模型。这里我们使用LEOSAM HelloWorld|SDXL真实感大模型,最新的版本是V5.0。

这里我们的VAE模型选择"None"。

【第二步】：提示词的编写

正向提示词：

Prompt：high quality,masterpiece,rich details,realistic photography,8k,high-definition image quality,

1 girl,solo,brown eyes,brown hair,long hair,dress,earrings,white dress,fields,flowers,fields of flowers,looking at the audience,

outdoors,pink flowers,

提示词：高品质，杰作，细节丰富，摄影逼真，8k，高清画质，

一个女孩，独唱，棕色眼睛，棕色头发，长发，衣服,耳环,白色连衣裙,

田野，鲜花，鲜花的田野，看着观众，户外，粉色的花朵，

反向提示词：

easynegative,ng_deepnegative_v1_75t,(worst quality:2),(low quality:2),(normal quality:2),lowres,bad anatomy,bad hands,normal quality,((monochrome)),((grayscale)),((watermark)),

文生图相关参数设置

  • 采样器：DPM++2M Karras

  • 采样迭代步数：30

  • 图片宽高：建议设置为1024左右。

  • 提示词引导系数（CFG）：3-5之间

【第三步】ControlNet插件InstantID模型设置

这里需要使用2个ControlNet单元。

ControlNet单元0：上传写真人物的原图

这里我们使用神仙姐姐的照片生成AI艺术写真照片。

注意这里的图片最好也是1024左右的大小。

相关参数设置如下：

  • 控制类型：选择"Instant_ID"

  • 预处理器：instant_id_face_embedding

  • 模型：ip-adpter_instanid_sdxl

  • 控制权重：1

ControlNet单元1：上传人脸定位照

上传任意一张照片，它的作用是控制最终出图的人物脸部位置。我们可以和第一张图片一样。

相关参数设置如下：

  • 控制类型：选择"Instant_ID"

  • 预处理器：instant_id_face_keypoints

  • 模型：control_instant_id_sdxl

  • 控制权重：0.5左右（0.45-0.5）

【第四步】图片的生成

点击【生成】按钮，我们来看一下最终生成的图片效果。

二. 改变人物服装背景

我们可以通过修改正向提示词更换图片中人物服装，背景等元素。

提示词1：圣诞写真

**Prompt：**high quality,masterpiece,rich details,realistic photography,8k,high-definition image quality,

1 girl,solo,exquisite hairstyle,brown hair,long hair,Christmas clothing,Christmas dress,bow,Christmas hat,Christmas,festive atmosphere,indoor,upper body,christmas lights,tree,gift box,roses,ribbons,Christmas decorations,lighting,fireplace,warm,

**提示词：**高品质，杰作，细节丰富，摄影逼真，8k，高清画质，

1个女孩，独唱，精致的发型，棕色头发，长发，圣诞服装，圣诞礼服，蝴蝶结，圣诞帽，圣诞，喜庆气氛，室内、上半身、圣诞彩灯、圣诞树、礼盒、玫瑰、彩带、圣诞装饰品、灯饰、壁炉、暖炉、

提示词2：婚纱

**Prompt：**high quality,masterpiece,rich details,realistic photography,8k,high-definition image quality,

1 girl,solo,exquisite hairstyle,crown,headscarf,hair bun,

White wedding dress,long dress,jewelry,looking at the audience,

**提示词：**高品质，杰作，细节丰富，摄影逼真，8k，高清画质，

1个女孩，独唱，精致的发型，皇冠，头巾，发髻，

白色婚纱，长裙，珠宝，看着观众，

三. 改变人物动作姿势

我们可以通过ControlNet的单元1变更人物的动作姿势。只需要替换掉ControlNet的单元1的上传的人物图片即可。

生成的图片效果如下。

四. 总结

插件换脸法实现AI艺术写真，优点是操作起来非常简单，人脸效果的保持一致还是比较出色的。但是也存在有些不足之处。

（1）InstantID插件只使用于SDXL大模型，限制了很多LORA模型的使用，因为很多LORA模型是基于SD 1.5基础模型训练的。

（2）生成的图片整体缺乏真实感，尤其是色调渲染感觉不是很到位，这个暂时不清楚是大模型的原因还是插件本身的原因。大家如果有更好的大模型或者参数设置可以留言交流沟通一起讨论学习哦。

好了，今天的分享就到这里了，希望今天分享的内容对大家有所帮助。

关于AI绘画技术储备

学好 AI绘画 不论是就业还是做副业赚钱都不错，但要学会 AI绘画 还是要有一个学习规划。最后大家分享一份全套的 AI绘画 学习资料，给那些想学习 AI绘画 的小伙伴们一点帮助！

对于0基础小白入门：

如果你是零基础小白，想快速入门AI绘画是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以找到适合自己的学习方案

包括：stable diffusion安装包、stable diffusion0基础入门全套PDF，视频学习教程。带你从零基础系统性的学好AI绘画！

零基础AI绘画学习资源介绍

👉stable diffusion新手0基础入门PDF👈

在这里插入图片描述

在这里插入图片描述

👉AI绘画必备工具👈

在这里插入图片描述

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉AI绘画基础+速成+进阶使用教程👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

在这里插入图片描述

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉12000+AI关键词大合集👈

在这里插入图片描述

这份完整版的AI绘画全套学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#人工智能 #stable diffusion #AI作画 #ai绘画 #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。
Stable Diffusion【应用篇】【艺术写真】：最近很火的黏土风，整合AI艺术写真效果还真不错 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。 阅读详情

相关推荐

安装程序模板啦帝国cms精仿mm131美女图片站模板

精仿mm131美女图片源码,美女图库源码,美女图片网源码,美女网站源码 PHP+Mysql 整站打包下载，模板精美大方，拿来就能用，推荐下载研究！

【当前全网最详细】WebUI中使用Instant_ID来控制生成对象面部的用法

中文网络上或者B站很多UP，在讲述WebUI中使用这个controlnet来换脸的时候，要么讲的过于复杂，要么就是没有讲清楚，所以这里整理下详细的使用方法，并记录下生成的内容。

聚梦小课堂 8016

美女图片网站源码

美女图片网站源码

最近沉迷美女图片无法自拔，所以我决定用PHP扒海量妹子图

为什么80%的码农都做不了架构师？>>> ...

weixin_33713503的博客 9万+

sid图像数据_遥感影像数据

影像数据基本概念影像数据是由卫星或飞机上的成像系统获得的影像，多为遥感影像数据。影像数据的每个像元都有一个值，表示传感器探测到像素对应地面面积上目标物的电磁辐射强度，也叫亮度值、灰度值。SuperMap支持的影像数据格式有：*.img、*.tif、*.tiff、*.bmp、*.jpg、*.png、*.gif、*.raw、*.sid等。计算机以二进制记录数据，所以其量化的等级以二进制来划分，即2n。...

weixin_39534395的博客 1626

全志 mipi屏幕和触摸驱动调试记录

mipi屏幕与触摸调试记录

u011996684的博客 3220

InstantID：一张照片，无需训练，秒级个人写真生成

通过文本提示词来编辑生成的图片，比如改变图像中人物的表情、背景或其他元素。也可以借助 ControlNet插件更加精准地控制图像的生成细节，实现个性化定制。

程序员深度学习 6557

Android BluetoothSocket

BluetoothSocket是Android中用于在蓝牙设备之间进行数据传输的一种Socket。它提供了一种类似于TCP/IP协议的数据传输方式，可以在两个设备之间建立一个虚拟的通信管道，使得两个设备之间可以进行数据的传输和接收。BluetoothSocket可以用于客户端和服务端之间的通信，通过BluetoothSocket可以实现数据的双向传输。

liuning1985622的博客 1477

图片开放接口_免费的美女图片API接口

为什么80%的码农都做不了架构师？>>> ...

weixin_34054866的博客 8636

FreeRTOS-Plus-CLI在STM32F429上的高效移植与调试技巧

本文详细介绍了如何将FreeRTOS-Plus-CLI高效移植到STM32F429平台，并分享关键的调试技巧。内容涵盖使用HAL库进行底层驱动适配（特别是DMA+IDLE中断方案）、工程集成、自定义命令开发以及常见问题解决方案，旨在帮助开发者快速为嵌入式系统添加强大的命令行调试接口，提升开发与维护效率。

weixin_29224309的博客 335

Unity Acceleratorc与Cache Server unity的缓存服务器

文章目录1.作用概述2.用法（使用，看这个就够了）服务端下载部署Unity Acceleratorc修改http管理端口修改Editor连接端口客户端使用（设置好一次提交设置，团队拉取即可全部生效）3.测试平台切换测试资源导入测试（打开编辑器的情况下）项目启动测试（不打开编辑器的情况下）4.不同版本表现5.服务端监控6.服务端缓存7.冲突8.预警9.不同项目/不同配置-同种资源10.缓存清除 1.作用概述 编辑器模式下，导入资源，切换平台unity都会重新识别资源，大型项目很浪费时间，使用Cache Ser

euphorias的博客 3812

AI写真教程：Stable Diffusion 之 InstantID

上一篇介绍了使用 IPAdapter-FaceId 进行AI写真创作的方法，反响不错，还没看过的同学可以点击这个链接前往： AI写真教程：Stable Diffusion 之 IPAdapter-FaceId 但是 IPAdapter-FaceId 目前只在 SD 1.5 模型上表现较好，SDXL 模型上的表现较差，不能用于实际生产。可是很多同学已经在使用SDXL了，而且SDXL确实整体上出图效果更好，怎么办？ 这篇文章就来给大家介绍一个在SDXL中创作AI写真的稳定方法：使用 InstanID。

libaiup的博客 1834

全志F1C100S/F1C200S学习笔记（11）——spi-flash 启动全流程适配烧录及踩坑指南

SPI Flash 系统编译 spi-flash 启动适配 分区规划： 分区序号 分区大小 分区作用 地址空间及分区名 mtd0 1MB (0x100000) spl+uboot 0x0000000-0x0100000 : “uboot” mtd1 64KB (0x10000) dtb文件 0x0100000-0x0110000 : “dtb” mtd2 4MB (0x400000) linux内核 0x0110000-0x0510000 : “kernel” mtd3 剩余 (

丨晋丨 1万+

Stable Diffusion【应用篇】【艺术写真】：粘土风之后陶瓷风登场，来看看如何整合AI艺术写真吧

​。

2401_84760527的博客 1394

基于改进YOLOv5的小目标检测 | 添加CBAM注意机制 + 更换Neck网络之BiFPN + 增加高分辨率检测头

本文针对图像中小目标难以检测的问题，提出了一种基于YOLOv5的改进模型。在主干网络中，加入CBAM注意力模块增强网络特征提取能力；在颈部网络部分，使用BiFPN结构替换PANet结构，强化底层特征利用；在检测头部分，增加高分辨率检测头，改善对于微小目标的检测能力。本文算法在无人机数据集VisDrone2019数据集上进行了多次对比实验，结果表明本文算法可以有效地检测小目标。🌈

小哥谈 2937

AUTOSAR CP R18-10 架构总览与导航

AUTOSAR CP R18-10 架构总览 本文档系统整理了AUTOSAR CP R18-10版本的199篇技术规范，涵盖7大架构层级： 应用层（15篇）：包含车身舒适、底盘控制、HMI、安全系统、动力系统等AI应用 RTE（1篇）：虚拟功能总线规范 服务层（159篇）：细分为系统服务（OS/ECU管理/加密）、存储服务、通信服务（CAN/LIN/Ethernet） ECU抽象层（20篇）：I/O与通信硬件抽象 MCAL（41篇）：微控制器驱动层 复杂驱动（14篇）：CDD设计与SPAL支撑 规范模板（2

一名留德华的，康德的信徒的，专注于汽车电子领域的博客 722

【stable diffusion插件】AI写真看过来，使用InstantID插件实现AI写真

stable diffusion教程：最近收到不少网友关于AI写真方面的留言，希望能写一些关于AI写真方面的文章。个人关注AI写真有一段时间了，网上也看到了不少写的文章教程和案例，作为一个AI绘画的狂热爱好者，自然也少不了去操作实践一下，关于AI写真，后面我会作为专题来写一系列的文章，把自己在实际操作过程中的点点滴滴记录下来，希望能对大家有所帮助。所谓AI写真，简单来说，就是使用AI工具生成人物的写真照片，这里我们主要使用的AI工具是Stable Diffusion。

z19981的博客 1855

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

AI绘画Stable Diffusion 写真实战，ComfyUI 通用写真工作流InstantID分享

大家好，我是程序员晓晓。今天给大家分享 AI绘画 写真工作流InstantID 的工作流，在之前的文章中，我已经介绍过保持面部一致的文章教程。而今天我将以作为保持面部一致性核心组件讲解。教程开始之前，我们得先拥有ComfyUI工具，ComfyUI是一款AI绘画免费开源的工具，可以在本地部署，且可以无限复用他人的工作流，简而言之，如果你想要深入学习 AI绘画的商业应用，那么ComfyUI是你必须要学习的工具，如果还有没安装的小伙伴，可以看我的往期入门教程。

白帽阿叁的博客 2676

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

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")
上一篇： 【stable diffusion教程】文生图-stable diffusion(无需配置环境，一键启动)
下一篇： stable diffusion【win+Mac版】超详细安装教程（附stable diffusion 整合包）
点赞 25
评论 0
书签 书签 21
壹只小小码农
壹只小小码农
博客等级 码龄5年 8101粉丝 1334原创
+ 关注
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