Stable Diffusion教程：图生图_stable diffusion 图生图

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 700+累计阅读 732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 2026-09-03 09:46:00 发布 732 阅读 AI 写同款· GEO 优化 ›
Stable Diffusion教程：图生图 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

大家好！今天想要跟大家分享的是如何利用Stable Diffusion图生图。

图生图说白了就是根据已有的一张图片给它变化成不同的风格，三次元图片变成二次元图片，二次元变成三次元图片等等。那么具体该如何操作呢？跟着我一步步来吧。

首先第一步我们需要有我们的开源软件Stable Diffusion，在这里跟大家分享一个整合包，秋叶大神的整合包，有需要的可以去B站收索，也可文末扫码找我咨询获取。

–来自百度网盘超级会员V1的分享

这三个文件夹都要下载下来，这里需要注意的是解压包解压的时候要选择全英文的路径。

解压完成之后是这个样子，然后我们打开我框出来的文件夹

里面有个A绘世启动器，点击一下

然后耐心等待就可以进入到我们的SD Webui界面

最上面是我们的模型，一般如果刚安装的话会默认只有一个模型Anything，那个是比较偏向于二次元的模型，具体如何下载更多的模型可以参考我之前的文章。我们下载好了大模型一般是存在这个路径下面。

然后底下是文生图或者图生图，今天我们要讲的是图生图，所以我们就可以点击图生图。

然后下面是正面提示词，就是我们希望在画面上呈现的东西，我们可以在这里输入指令告诉AI我们想要什么，以下是正面提示词的参考，当然我们也可以去抄作业，具体怎么抄作业也可以翻阅我之前的文章哈。

(masterpiece:1,2), best quality,

masterpiece, highres, original, extremely

detailed wallpaper, perfect

lighting,(extremely detailed CG:1.2),

这个是最基本的一个正面提示词（PS：我们要输入提示词只能用英文，因为AI只听得懂英文指令，如果英文实在不好的小伙伴可以借助翻译软件进行翻译）

然后是反面提示词：

NSFW, (worst quality:2), (low quality:2), (normal quality:2), lowres,normal quality, ((monochrome)), ((grayscale)), skin spots, acnes,skin blemishes, age spot, (ugly:1.331),(duplicate:1.331),(morbid:1.21), (mutilated:1.21),(tranny:1.331),mutated hands,(poorly drawn hands:1.5), blurry, (bad anatomy:1.21), (bad proportions:1.331), extra limbs, (disfigured:1.331), (missing arms:1.331), (extra legs:1.331), (fused fingers:1.61051), (too many fingers:1.61051), (unclear eyes:1.331), lowers, bad hands,missing fingers, extra digit,bad hands, missing fingers, (((extra arms and legs)))

在这里说一下NSFW是Not Safety For Work也就是工作场合不宜打开的，懂得都懂哈~如果我们想生成一些少儿不宜的画面的话，我们就可以把NSFW放在我们的正面提示词里面，这里就靠你们自由发挥了哈，但是不要被查水表哦。

我们点完图生图之后就可以放入我们想要处理的图片

这里我随便放个图片来举例子吧

我们光有图片还是不够，AI是不会只根据图片就能判断出来我们想要生成的图片的，所以我们还要在正面提示词部分加入我们想要给AI呈现的信息，不一定是完整的一个句子，我们输入一些关键词就可以，比如棕色头发Brown hair,红唇 red lip，戴着帽子wearing hat，一个女孩 1 girl，在这里我们需要注意的是我们在生成每个提示词中间的逗号一定要是英文输入法状态下的逗号哈，否则我们的AI也是不会识别的。

如何正确地去写提示词，我在这里再放一个网站给大家。

http://www.atoolbox.net/Tool.php?Id=1101

在这里就可以去找到我们需要添加的正面或者反面提示词

然后我们如何增加或减少我们的提示词权重，就可以增加括号或者赋予提示词值来实现。

迭代步数：是AI自己通过计算生成图片的步数，一般控制在20-30之间，不宜过高，要不然生成的图片会画蛇添足或者超出我们的预期。

采样方法：在这里默认DPM2++Karras

重绘尺寸：是我们希望生成的图片的尺寸，可以调整宽度和高度

总批次数：一次让AI生成几张图片

单批数量：默认为1，不要调太高，这里是AI计算生成图片的次数，如果单批数量调成2.然后总批次数是4就会是2X4，同样的是生成四张图片但是AI会计算两次，很容易爆显存，在这里建议就默认为1就好。

提示词引导系数：顾名思义，就是AI多大程度上去依赖我们给他赋予的提示词。

重绘幅度：就是给AI多大的自由发挥空间，在这里0.2-0.5是一个安全值，超过了之后AI就会放飞自我。

如果想要AI生成的图片更加精准，那么还可以借助我们的另一个工具Control Net

在这里我们可以启用，如果显存不够的还可以点击我们的低显存模式。

在这里如果是图生图的话我建议可以全都选上

然后我们这里可以选择控制类型，我们可以根据我们的图像去选择不同的控制类型，如果图片是文字或者线稿的话我们可以选择Canny，如果是带有姿势的人物图片的话我们就可以选择OpenPose，如果在这里只是一张人脸的话我们就直接默认全部就行，其他的控制类型你们可以后期自己去尝试。

预处理器这里我们也可以根据不同的图片类型去选择

在这里我选择的是Faceonly，然后模型这里我们可以选择open pose然后点击中间的爆炸按钮，就会有神奇的事情发生~

我们现在这里上传我们的图片，然后再点击爆炸的小按钮。

然后这里AI就会捕捉到我们的人脸

这里的控制权重我们默认为1就好，然后控制模式我们一般也是默认均衡，如果你想更偏向提示词，或者更偏向Control Net也是可以的哈。

然后这里我们可以选择让AI一次生成几张图片，如果你想多生成几张那就可以把这个总批次数给往上调整几个数值，这里最多一次跑10张。

在一切都准备就绪之后我们点击生成就可以坐等AI出图了哈

各位对比一下像不像呢？

然后底下这个就是我们的作弊码哈，如果我们对我们的作品满意想分享给其他一样在使用SD的小伙伴，那我们就可以把我们的作弊码复制给他们，在这里我要着重说下我们的随机数种子，就是我圈出来的Seed，如果我们对这次生成的作品满意下次还想生成一个跟这个大差不差的作品，我们就可以把这个随机数种子给复制下来。

然后放在这里，下次再生成同样风格的作品的时候就可以根据这个随机数种子去生成一个大差不差的作品。

写在最后：

如果有的小伙伴实在不会写证明提示词怎么办呢？那也不用担心，我们还有一招。

我们可以点击Clip反推或者Deepbour反推，这样就可以根据画面自动生成一些提示词了。

然后再加上我前面附上的正面提示词就可以啦。

好了，今天的分享到这里就结束了，你学会（废）了吗？

文章使用的AI绘画SD整合包、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。

写在最后

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。

在这里插入图片描述

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

在这里插入图片描述

在这里插入图片描述

二、AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！
在这里插入图片描述

三、最新AIGC学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
在这里插入图片描述
在这里插入图片描述

四、AIGC视频教程合集

观看全面零基础学习视频，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

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

在这里插入图片描述

收录于
SD教程

当前文章被收录于：

SD教程
127 篇文章 0 人学习
订阅专栏 查看详情
Stable Diffusion

当前文章被收录于：

Stable Diffusion
126 篇文章 1 人学习
订阅专栏 查看详情
AIGC

当前文章被收录于：

AIGC
123 篇文章 0 人学习
订阅专栏 查看详情
标签
#stable diffusion #人工智能 #AI作画 #图生图 #AI绘画
#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。
ISP调试工程师相关面试问题_001 Qualcomm、MTK等ISP pipeline的框架原理及算法原理，还有调试经验。 阅读详情

相关推荐

手把手教你用VCS+Verdi在Linux下仿真蜂鸟E203 RISC-V核（附波形调试技巧）

本文详细介绍了在Linux环境下使用VCS和Verdi工具链对蜂鸟E203 RISC-V核进行仿真验证的完整流程。从环境配置、工程结构解析到VCS编译优化和Verdi波形分析技巧，提供了实战性强的调试方法和性能优化策略，帮助工程师高效完成数字IC验证工作。

weixin_42531163的博客 418

图生图—AI图片生成Stable Diffusion参数及使用方式详细介绍

本文为专栏《Python从零开始进行AIGC大模型训练与推理》系列文章，地址为“https://blog.csdn.net/suiyingy/article/details/130169592”。

叶子的博客 1万+

【OpenCV3】cv::compare()使用详解

cv::compare()主要用于两个图像之间进行逐像素的比较，并输出比较的结果。具体用法如下： cv::compare() bool cv::compare( cv::InputArray src1, // 输入数组1 cv::InputArray src2, // 输入数组2 cv::OutputArray dst, // 输出数组 int cmpop // 比较操作子,见下表 ...

guduruyu的专栏 9762

Stable Diffusion学习指南【图生图篇】

如果你是真正有耐心想花功夫学一门技术去改变现状，我可以把这套AI教程无偿分享给你，包含了。

HJS123456780的博客 1366

Unity插件-Mirror使用方法（一）Mirror介绍

Unity Mirror 是一个专为 Unity 引擎设计的开源、社区驱动的网络库，主要用于简化多人联机游戏的开发。它最初是为了替代 Unity 原生的 UNet 系统（已被官方弃用）而创建的，因其轻量、灵活和高效的特点，成为 Unity 开发者构建多人游戏的热门选择。

qq_44501691的博客 4101

Simulink+Simscape多体仿真：六自由度Stewart平台动力学建模全流程

本文详细介绍了使用Simulink和Simscape Multibody进行六自由度Stewart平台动力学建模的全流程，涵盖从CAD模型导入、运动学逆解计算到实时控制系统的设计。通过MATLAB/Simulink与Simscape的协同工作，实现高保真度的并联机器人仿真，适用于飞行模拟器、精密加工等高精度领域。

r2s3t4的博客 489

stable diffusion图生图

本节课程，我们主要讲述了stable diffusion webui提供的图生图功能，相比midjourney，stable diffusion提供了拥有更多控制项的图生图功能，stable diffusion中也提供了多种以图生图的方式，包括直接图生图，基于绘图的图生图以及多种方式的局部重绘。图生图的应用能力非常丰富，比如可以实现图片风格转绘，背景更换，人物换装，人物切换，图像微调等等。

HuggingAI的博客 2212

DeepSeek Harness一切都插件：安装调试与IDE接入全解析

插件化架构已成为现代AI工具链的核心设计范式之一，通过将模型接入、工具调用、上下文注入等能力抽象为独立模块，开发者无需改动核心代码即可按需扩展功能边界。其底层原理类似操作系统的软总线，核心仅保留最小演进单元，各类能力由插件动态挂载，配合权限声明与生命周期钩子，既提升了工程灵活性，也降低了系统耦合度。在人工智能应用快速落地的今天，这种设计让开发者能安全地在VS Code、PyCharm、Codex等主流工具中接入DeepSeek API，并通过MCP等标准协议共享插件生态。然而实际部署时常遇到环境配置复杂、依

weixin_42526166的博客 442

告别单一输出：Stable Diffusion 3.5开源，让 AI 图像生成更多样化

Stability AI 最新推出了其升级后的 AI 图像生成模型 ——Stable Diffusion 3.5，这不仅是一个简单的更新，而是一次全面的进化，带来了三个不同版本的模型：Large、Large Turbo 和 Medium，每个版本都为不同的商业环境提供了高度定制的功能，并且在消费级 GPU 上就能轻松推理运行。

weixin_55154866的博客 887

iOS面试题大全（附带答案）

C语言相关面试题 1.static有什么用途？ 答案：在C语言中，static主要定义全局静态变量，定义局部静态变量，定义静态函数。 static 属于静态变量，使用它修饰的变量生命周期是整个源程序。 @1.在函数体内的 static 变量的作用范围为该函数体，该变量的内存只被分配一次，因此其值在下次调用时仍维持上次的值； @2.在模块内的 static 全局变量可以被模块内所有函数访问，但不能被模块外其它函数访问； @3.在模块内的 static 函数只被这一模块内的其它函数调用，这个函数的使用范围被限

IOSNF的博客 2427

YOLOv13改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归 (Focaler-DIoU、Focaler-GIoU、Focaler-CIoU)

本文记录的是改进YOLOv13的损失函数，将其替换成。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。，提高检测器在不同检测任务中的性能。实现的。

Limiiiing的博客 870

SD教程|一遍就会！Stable Diffusion 图生图最全、最强教程！

本文需要读者对Stable Diffusion有一定使用经历，了解文生图相关内容。部分重复内容已在文生图教程体现，如采样方法、迭代步数、面部修复、可平埔、宽度、高度、生成批次等，读者可查阅教程 文生图。

z19981的博客 1560

NVIDIA Omniverse 技术浅析（二）：USD

例如，一个用户可以负责场景的几何体设计，另一个用户可以负责材质和灯光的调整。USD 的开放性和可扩展性，结合 Omniverse 的 Kit 扩展框架，使得用户和开发者可以创建自定义的应用程序和工具，以满足特定的需求。USD 的材质和物理属性系统，结合 Omniverse 的 RTX 实时渲染技术，使得用户可以在虚拟环境中看到逼真的光影效果和物理模拟。USD 的时间轴和动画功能，结合 Omniverse 的物理属性系统，使得用户可以为虚拟环境中的元素创建复杂的动画和物理模拟。

m0_75253143的博客 447

【stable diffusion教程】Stable Diffusion教程：图生图

stable diffusion教程：“图生图”是 Stable Diffusion的 核心功能之一，它的主要能力是根据现有的图片 + 提示词生成新的改造图片，这在日常的工作和生活中都特别有用。话不多说，让我们看看它都有什么神奇的魔法吧。温馨提示：篇幅有限，已打包文件夹，获取方式在：文末。

z19981的博客 1645

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！

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Stable Diffusion教程：4000字说清楚图生图

图生图”是 Stable Diffusion的 核心功能之一，它的主要能力是根据现有的图片 + 提示词生成新的改造图片，这在日常的工作和生活中都特别有用。话不多说，让我们看看它都有什么神奇的魔法吧。

m0_74942241的博客 2081

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

详尽教程：Stable Diffusion ComfyUI 图生图流程基础教程

在我们进行 Web UI 图形生成的过程中，相较于文本生成，引入了一个新元素——图像加载。

2401_84815950的博客 2286

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

手把手教你：Stable Diffusion 图生图的完整教程

很多人在使用stable diffusion的时候只会抄网络上现有的提示词，如果需要自己DIY或者修改部分局部图像，甚至自己创作一副新的图像，需要怎么写提示词？下图是模仿最近热门的国企领导出差和小三逛街的风格图下面是从网上收集的一些提示词的总结。

m0_59162248的博客 1954

[SD教程] 从入门到精通：Stable Diffusion 图生图批量处理指南

## [SD教程] 从入门到精通：Stable Diffusion 图生图批量处理指南 还在为一张张处理图片而烦恼吗？Stable Diffusion 的图生图功能可以帮你轻松实现图片批量处理，大幅提升效率！本教程将从最基础的概念讲起，手把手教你掌握图生图批量处理的技巧，涵盖参数设置、脚本使用、效率优化等实用内容。无论你是新手还是进阶用户，都能从中获益，快速成为 Stable Diffusion 图生图处理高手！

ice_99的博客 1367
上一篇： Stable diffusion模型篇解析，看这篇就可以了！_stable diffusion 模型
下一篇： Stable Diffusion 老照片修复+高清化+一键抠图教程_sd老照片修复
点赞 10
评论 0
书签 书签 18
壹只小小码农
壹只小小码农
博客等级 码龄5年 8105粉丝 1333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