一遍就会!Stable Diffusion 图生图最全、最强教程!_stable diffusion训练线稿上色模型 图生图

clip-interrogator本地部署 - `CLIP`询问程序是一个提示工程工具,它结合了`OpenAI`的`CLIP`和`Salesforce`的`BLIP`,以优化文本提示,使其与给定的图像相匹配。 - 使用由此产生的提示和文本到图像的模型,如`DreamStudio`上的`Stable Diffusion`,来创建酷炫的艺术! 阅读详情

图生图教程

img

前言

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。

图生图核心内容

图生图主要有以下几个核心内容:

CLIP[反向推理](Interrogate CLIP)、图生图(img2img)、[涂鸦绘制](sketch)、局部绘制 (inpaint);局部绘制之涂鸦蒙版 (inpaint sketch)、局部绘制之上传蒙版 (inpaint upload)以及批量处理 (batch)

img

其他[基本参数]

img

引用部分来自:[https://juejin.cn/post/7221072002336079909#heading-3]

Resize mode: 缩放模式,包括 拉伸/Just resize、裁剪/crop and resize、填充/resize and fill、仅调整大小(潜空间放大/just resize (latent ipscale) ,缩放模式指的是当原图和要生成的图的宽和高不一致的时候,选择的缩放模式,一般选择裁剪,如果原图和生成图的宽高一致的时候,选择任意均可
Mask blur: 蒙版模糊度,在 0-64 之间调节,就是将我们涂抹区域,从边缘向中间透明过渡。数值较小的时候,边缘越锐利,所以一个合适的值会让图片看起来更真实,数值一般默认即可
Masked content: 蒙版蒙住的内容,包括 填充/fill、原图/original、潜在噪声/latent noise、无潜在空间/latent nothing。这是一种预处理的步骤,其中填充是指使用蒙版边缘图像的颜色填充,不过颜色已经被高度模糊;原图则是同原图一样不改变任何细节;而潜在噪声则是使用噪点进行填充;而无潜在空间就是噪点值为0的状态,可以看到只有原图保留了原来的画面,所以一般选择原图即可
Mask transparency: 蒙版的透明度,一般默认为0,即不透明,因为透明度越高,AI发挥的空间越小,基本上当透明度大于60,预处理就会失去作用
Mask mode: 蒙版模式,包括 绘制蒙版内容/inpaint masked、绘制非蒙版内容/inpaint not masked,这个很好理解,选择第一个就是只在蒙版区域重绘,另一种则相反,正常一般默认第一个即可
Inpaint area: 绘制区域,包括 全图/whole picture、仅蒙版/only masked。全图重绘是指在原图大小的基础下绘制蒙版区域,优点就是内容与原图融合的更好,缺点是不够细节;而蒙版重绘是只处理的时候将蒙版区域进行放大到原图的尺寸,画完之后再缩小放到原图的相应的位置,优点就是细节更好,缺点也是细节太多,与原图融合的不够好
Denoising strength: 重绘强度,默认0.75,低强度就是基本不重绘,越高重绘越强,融合越不好,所以默认即可
虽然图生图的参数比较多,但大多数的时候,我们选择默认即可,因为很多时候,只需要正确的选择而非过多的选择,个人也仅仅设置一下缩放模式、采样器、采样步骤和宽高进行出图。

教程开启

以上内容作者会一一详尽介绍,希望读者朋友们都有所收获。本文使用到的图片素材如下:

img

让我们开启教程吧!

CLIP反向推理(Interrogate CLIP)

我们既然可以从文字tag推理出图片,那可不可以用图片推理其文字tag呢?Stable Diffusion给我们的答案是可以的,也就是使用**CLIP反向推理(Interrogate CLIP)**功能。

使用教程

拖动目标图片至图生图区域,点击右上功能按钮 CLIP反向推理(Interrogate CLIP),等等几秒即可。如下图:

img

结果验证
a woman in a red top and white shorts is in a boxing ring with her arm raised up and a light shining on her
翻译:
一个穿红上衣和白短裤的女人站在拳击台上,举起手臂,一盏灯照在她身上

从结果描述来看,和图片还是很相近的。Get!

图生图(img2img)

可以根据你上传的图片生成一张在原图基础上创作的新图片,当然你也可以通过修改Prompt生成自己想要的结果。

不适用Prompt,其他参数也不修改的情况下,让我们看看效果:

img

说实话重绘的差距有些离谱。这是为什么呢?这里就要引入一个重要参数 重绘强度/Denoising strength

重绘强度/Denoising strength

这个参数决定了我们重绘幅度,也就是说参数越高,幅度越大,图片生成差距越大。经测试参数超过0.75基本上和原图没啥关系了,效果测试如下:

从左到右参数依次为:0 、0.4、0.75、1

img

使用提示词,会增加一些其他效果

  1. 提示词:With a football in his hand(手里拿个足球)
  2. 重绘强度:0.4

img

涂鸦绘制(sketch)

涂鸦绘制可以进行二次创作,如衣服换色,线稿上色等。使用方法也比较简单:点击涂鸦绘制,移入图片,就可以进行涂鸦绘制。可以用画笔随便画上两笔,重新生成,结果如下(注意:涂鸦颜色也会生效哦):

img

img

妙笔回春

随意绘制如图,原谅我的创作,但效果真不错,感谢SD:

  1. 提示词:A woman(一个女人)
  2. 重绘强度:0.7

img

效果惊艳到了

img

局部绘制 (inpaint)

针对作品局部重绘,大多数场景都用在换装上,偶尔也用在某些部位的调整,比如手部或者熊部。

注意:局部绘制并不会让涂鸦颜色生效,而且画笔是黑色的。

给小姐姐换衣服

我们想要把小姐姐的衣服进行修改,那么就把衣服部分涂抹掉,并且增加提示词,其他参数不做改变:

  1. 提示词:White clothes(白色衣服)
  2. 重绘强度:0.7

img

结果验证

当然也可以选择没有衣服。PS:老司机专属

img

局部绘制之涂鸦蒙版 (inpaint sketch)

从名称可以看出来,其实是涂鸦绘制(sketch) 和 **局部绘制 (inpaint)**的结合版,就是说使用本模块可以实现前两者的功能,也就是可以对作品进行局部绘制的同时还可以自定义颜色。

换带颜色的衣服

使用黄色画笔,对其胸部衣服着色涂鸦,并且使用提示词cheongsam(旗袍)

  1. 提示词:cheongsam(旗袍)
  2. 重绘强度:0.7

img

穿着旗袍的拳击手

img

快去尝试吧,剩下全靠你的想象力了。

局部绘制之上传蒙版 (inpaint upload)

跟 局部绘制之涂鸦蒙版 (inpaint sketch),区别在于一个是手绘,一个是借助其他工具。读者可以借助PS工具画出来个蒙版(Mask),然后再upload(上传)。所有这个模块有两个文件上传地方:

img

蒙版

百度找的,不想麻烦PS(主要作者太懒)!

img

结果验证

主要是你用其他工具制作的目标效果肯定比你手绘的好很多,所以才有了这个功能。如果不是专业搞设计的,其实也没必要使用这个功能。这里面,我用的是黑白蒙版,这个效果是把白色部分进行了重绘,黑色部分其实并未进行大幅修改,我测了几次效果都是如此。

  1. 提示词:cheongsam(旗袍)
  2. 重绘强度:0.7

当然你也可以通过更改蒙版其他参数来获取想要的效果,具体效果这里就不一一展示。参数说明在正文的其他参数说明区域。

批量处理 (batch)

这一部分涉及内容很多,后面会单开教程,主要涉及真人动漫化以及视频制作。

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!

需要的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

1.stable diffusion安装包 (全套教程文末领取哈)

随着技术的迭代,目前 Stable Diffusion 已经能够生成非常艺术化的图片了,完全有赶超人类的架势,已经有不少工作被这类服务替代,比如制作一个 logo 图片,画一张虚拟老婆照片,画质堪比相机。

最新 Stable Diffusion 除了有win多个版本,就算说底端的显卡也能玩了哦!此外还带来了Mac版本,仅支持macOS 12.3或更高版本。

在这里插入图片描述

2.stable diffusion视频合集

我们在学习的时候,往往书籍代码难以理解,阅读困难,这时候视频教程教程是就很适合了,生动形象加上案例实战,一步步带你入门stable diffusion,科学有趣才能更方便的学习下去。

在这里插入图片描述

3.stable diffusion模型下载

stable diffusion往往一开始使用时图片等无法达到理想的生成效果,这时则需要通过使用大量训练数据,调整模型的超参数(如学习率、训练轮数、模型大小等),可以使得模型更好地适应数据集,并生成更加真实、准确、高质量的图像。

在这里插入图片描述

4.stable diffusion提示词

提示词是构建由文本到图像模型解释和理解的单词的过程。可以把它理解为你告诉 AI 模型要画什么而需要说的语言,整个SD学习过程中都离不开这本提示词手册。

在这里插入图片描述

5.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

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
这份完整版的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

Stable Diffusion学习指南【图生图篇】 今天的文章里我会为你详细介绍图生图的工作原理、工具解析和图像重绘的应用方向,如果没有看过【文生图篇】的朋友建议先去学习下,以便你更好的理解今天的内容。 阅读详情

相关推荐

Stable Diffusion本地部署全流程:从WebUI到ComfyUI与LoRA训练

Stable Diffusion是一种基于潜在扩散机制的开源文本到图像生成模型,其核心原理是通过反向去噪过程将随机噪声逐步解码为高质量图像。本地部署不仅保障数据主权与推理可控性,更支持深度定制——如ControlNet空间控制、SDXL多阶段采样、Tiled VAE显存优化等关键技术落地。在工程实践中,它广泛应用于AI绘画、设计辅助、游戏原画生成及学术研究(如毕设图像实验复现),尤其适合需隐私保护、批量自动化或模型微调的场景。本文聚焦Windows/macOS下从零构建稳定推理与训练环境的关键路径,涵盖CU

weixin_30684743的博客 587

Stable Diffusion教程:图生图

通过以上演示,我们可以看到,图生图能够参考原图,再依据我们的指令生成新图。在这个重绘的过程中,我们可以使用涂鸦、蒙版等来影响出图的效果,这是一种精准控制的能力,不过这还不够,如果需要更多的精准控制,我们需要使用ControlNet:Stable Diffusion基础:精准控制之ControlNet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。

Everly_的博客 3600

〔004〕Stable Diffusion 之 图生图进阶 篇

学好图生图,AI 即将取代打工人

国内某知名游戏公司小菜鸡工程师 4292

【stable diffusion】保姆级入门课程02-Stable diffusion(SD)图生图-基础图生图用法

2600字全文解说stable diffusion图生图详细参数,附带视频教程

Minstrel的博客 1万+

rk3588s-摄像头适配gc8034

若还打开失败,需要看下XML中文件配置是否与DTS配置信息一致,或者XML参数配置是否有异常;MIPI摄像头是有上电时序要求,具体时序要查看sensor芯片对应的datasheet进行修改,如果时序不满足,sensor无法正常,此时用i2ctool去查看设备可能无法扫面到设备,即是i2c设备找不到。RK3588或者RK3588S有路MIPI-PHY,驱动开发工程师需要根据对应的硬件原图进行配置,以下会讲解分别使用MIPI-DPHY和MIPI-D/CPHY如何在DTS配置mipi摄像头的回环链路。

Yxx8066的博客 2201

STM32F103循迹小车PID调参实战:手把手教你整定舵机PD与电机PI参数

本文详细介绍了基于STM32F103的循迹小车PID调参实战,重点讲解舵机PD控制与电机PI参数的整定技巧。通过硬件选型、基础测试、四步调参法和分段控制策略,帮助开发者解决小车蛇形走位等问题,提升循迹性能。文章还分享了高级调试技巧和典型问题排查方法,适用于智能车竞赛和机器人开发。

weixin_42524226的博客 362

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、

m0_74942241的博客 1757

SAP BOM反查(可追溯值至顶级)

功能介绍:BOM层数在7层以内的(含7层)的物料,执行后都可以查询到顶级的BOM,逻辑很简单,后期如BOM层数增加,可自行增加查询逻辑。 *&---------------------------------------------------------------------* *& Report ZBOM_CHECK *&---------------------...

SAP阿狸 6063

如何使用Stable diffusion,让你轻松生成黑白线稿并上色!

解放双手,画了一个线稿,又不想花时间上色,用AI提高效率,把我们时间花在创意上面,把重复的事情给AI,让它打黑工话不多说,先上一个对比图

m0_59236602的博客 1200

如何跑通SuperPoint+LightGlue的训练代码使用gluefactory进行训练和评估?

🏆本文收录于专栏,主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案,希望能够助你一臂之力,帮你早日登顶实现财富自由🚀;同时,欢迎大家!持续更新中,up!up!up!!

**My Coding Family** 1787

Python调用CANoe

我们可以创建CANoe应用程序对象,打开配置文件,启动模拟,发送和接收消息,并在完成后关闭CANoe应用程序。这使得我们能够使用Python自动化执行测试任务,并集成CANoe的功能到我们的Python应用程序中。CANoe是一款功能强大的汽车网络仿真和测试工具,它能够模拟和分析汽车网络通信,并提供丰富的测试功能。通过Python编程语言,我们可以方便地调用CANoe的API,实现自动化测试和集成CANoe的功能到我们的Python应用程序中。在CANoe中,我们可以为不同的汽车网络创建配置文件。

AzqLinux的博客 1289

使用Stable diffusion,让你轻松生成黑白线稿并上色!

解放双手,画了一个线稿,又不想花时间上色,用AI提高效率,把我们时间花在创意上面,把重复的事情给AI,让它打黑工话不多说,先上一个对比图一、用SD生成黑白线稿首先使用正面和反面提示词生成一张黑白线稿图(也可以自己画或者是直接上传已有的)正面提示词:masterpiece, best quality, 1girl, solo, long_hair, looking_at_viewer,负面提示词:EasyNegative, badhandv4。

2401_84760322的博客 974

uniapp | vue2 | vue3 - 解决调用天地图功能服务时 http 网络请求报错 net::ERR ABORTED 503(Service Temporarily Unavailabl)

vue,uni-app,天地图,请求报错,503,请求失败,map.tianditu,天地图503,天地图请求503,接口503错误怎么办,vue天地图,uniAPP天地图,获取定位接口服务器报错503,获取当前定位,定位功能,IP属地定位,天地图服务器报错,如何解决报错,net::ERRABORTED503(ServiceTemporarilyUnavailabl),GET,POST,服务暂时不可用,react天地图,一直等待吗,报错怎么办,定位报错,轨迹,经纬度,天地图服务器503,在vue2

🏆 前端领域优质创作者 4440

【stable diffusion】保姆级入门课程-Stable diffusion(SD)介绍与安装

当你去学习一个新的东西,你需要先了解这个东西是什么,然后再去学习会更加简单,那什么是SD呢,stable diffusion是一款基于人工智能技术开发的绘画软件,最原始的stablediffusion 是基于命令行参数进行运行的,类似这样的,对于没有编程基础的小白玩家,学习AI绘画之前还要命令行参数,甚至还要记住各种参数的涵义stable-diffusion 命令行界面:

2401_84830464的博客 1185

一、适配显示服务

基于rk3568适配显示服务,调动gpu;

XiaoC_Android的博客 1001

ArcGIS笔记2_如何将经纬度WGS84地理坐标系转换为米单位CGCS2000投影坐标系

本博文则主要讲解,如果我们手里拿到的shp文件是在ArcGIS中,如何将经纬度WGS84地理坐标系转换为米单位CGCS2000投影坐标系。

晏长街的博客 4万+

Stable Diffusion ControlNet插件:从线稿到成图的精准AI绘画控制指南

在AI绘画领域,精准控制生成内容的结构与构图是核心技术挑战之一。其原理在于通过预训练的神经网络模型,将参考图中的结构化信息(如边缘、姿态、深度)编码为条件信号,引导扩散模型在去噪过程中遵循特定约束。这项技术的核心价值在于将生成式AI从随机性创作转变为可控的生产工具,极大地提升了设计、插画、动画等领域的工作效率与一致性。应用场景广泛覆盖从线稿生成插画、固定人物姿态、统一多图形象到室内设计渲染等实际需求。本文聚焦的ControlNet作为Stable Diffusion的扩展插件,通过Canny边缘检测、Ope

weixin_34268843的博客 377

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!

Stable Diffusion ControlNet 精准控图与线稿上色实战

在 AI 绘画与 Stable Diffusion 工作流中,文生图依赖提示词从噪声逐步去噪,构图与姿态常难以稳定复现。ControlNet 通过复制 UNet 编码器并引入零卷积旁路,把边缘、骨架、深度等条件图注入去噪过程,使生成从随机抽卡转向可控施工。其技术价值在于提升结构一致性、姿态复刻与线稿上色稳定性,并降低反复抽卡成本。常见应用包括 OpenPose 姿态控制、Canny/Lineart 边缘约束、Depth 场景搭建与 Tile 放大保细节。理解预处理器、控制权重与引导区间后,可把参数调优沉淀为

weixin_30558697的博客 177

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

stable diffusion十七种controlnet详细使用方法总结

最近不知道发点什么,做个controlnet 使用方法总结好了,如果你们对所有controlnet用法,可能了解但是有点模糊,希望能对你们有用。

Misdirection_XG的博客 711

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: AnimateDiff:一款强大的制作丝滑动画视频插件,轻松让你的图片动起来
下一篇: 干货 | 5种AI绘画副业渠道,你喜欢哪一种?ai绘画 自媒体
壹只小小码农
博客等级 码龄5年 8105粉丝 1333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