AI绘画最全提示词表;独立开发者2项重要能力;AIGC发展「百科全书」;AI新时代的学习/创业/出海 | ShowMeAI日报

AI绘图:教你几个提示词 100%生成美丽小姐姐-第三弹 本次继续给大家分享几套好用的提示词。大家注意有些提示词中用到了特殊的Lora模型,本地没安装的话,效果会大打折扣哦。 阅读详情

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦!

🤖 3300+提示词,AI作画艺术家/风格/细节的最全词表

这是AI绘画工具「画宇亩 (Nolibox Creator) 」帮助中心的一份学习文档,提供了与AI绘画相关的3300+提示词,分为了四类:

▢ 艺术家 (2520) :包含艺术家名字、标签与作品示例图

▢ 艺术风格 (267) :包含中英文提示词、风格示例图

▢ 细节词 (380) :包含中英文细节词、所属类别、效果示例图

▢ 负面词/去除内容 (130) :包含中英文关键词、所属一二级分类 ⋙ 飞书文档

🤖 一张图看懂「360智脑大模型 4.0」应用发布会

6月13日,360智脑大模型应用发布会上发布了数字人、多模态、全端应用这三大重磅功能。

其中,360「AI数字人广场」拥有200+虚拟数字人角色,包含孙悟空、诸葛亮等数字名人,以及市场、运营、程序员等拥有不同职能的数字员工。用户可以选择不同的虚拟角色,和角色进行对话,获取相应回答和建议 ⋙ 360智脑内测申请

🤖 视觉中国推出AI灵感绘图、画面扩展功能

6月12日,视觉中国宣布推出AI灵感绘图 (文生图) 功能。用户不仅可在图片库浏览/下载精品原创内容,还可以通过AI功能生成高质量图片,获得更多创意灵感。

AI灵感绘图的操作页面显示,输入文字后可以生成摄影、卡通、3D、插画等4种不同风格的图片素材,还支持选择图像尺寸。目前处于内测状态,只对部分用户开放 ⋙ 视觉中国 AIGC

🤖 Zoom推出AI新功能,可自动生成会议摘要和回复建议

视频会议软件开发商Zoom宣布,引入基于OpenAI、Anthropic等公司大模型的生成式 AI 新功能,帮助用户自动整理会议重点,并且生成会议摘要。会议主持人不必录制全过程,只需要在会议结束后,通过聊天将会议重点发送给与会者即可。

此外,Zoom 还增加了自动回复功能,可以根据对话上下文,草拟符合用户语气和语句长度的信息,为用户提供回复建议。

🤖 如何利用ChatGPT和Midjourney轻松创作绘本故事

这篇文章以「小镇美食家」为主题,使用 ChatGPT和Midjourney 等AI工具完成了绘本创作,并完整记录了创作的全流程。想学习绘本创作的小伙伴,可以按照这份教程来操作和练习!

第一步:选择工具。创作一个绘本故事,主要分成故事和画面两个部分,故事部分使用ChatGPT,绘画部分使用更容易上手的Midjourney 的 Niji 模式。

第二步:创作剧本。使用 ChatGPT 创建故事,并通过 prompt 生成分镜和文字描述,并将分镜语言翻译为英文的Midjourney主体描述词,再进一步丰富故事细节。

第三步:跑图思路。一篇整体的绘本故事,需要保证画风统一 (使用尽量简短的关键词来控制画风)、角色正确 (给主角一些外貌上的特征)、画面能与文案搭配 (人工优化,以及不要有复杂的语句)。

第四步:图文整合。挑选合适的图并使用PS进行微调,再将文案融入图片中并进行排版。一个简单的绘本故事就创作完成啦!

第五步:如何更进一步。也可以在绘制草图后,交由Stable Diffusion 「局部重绘」功能来完善细节 ⋙ 完整教程

🤖 独立开发者最重要的2项能力:build & sell

这是几位开发者的沟通与心得分享。总的来说,做好一个产品主要有两件事,build & sell。对于独立开发者而言,sell 能力可能更值得讨论。

关于sell

1. 第一条也是最基础的一条:让用户能联系到你

2. 一个很难规模化的动作:手动一个一个的和用户交流拉入内测群

3. 把自己的想法产品化后,先免费给用户提供服务,如果免费都不能吸引用户,付费就更难获取用户

4. 多体验多调研,大规模体验产品不仅能调研分析付费应用的产品和增长逻辑,还能提升对产品设计的审美

5. 重视常规渠道,如各大应用商店、Chrome插件、Twitter等用户容易接触到的渠道,不能忽视它们。大规模流量来源于大用户池子,常规渠道拥有超大规模流量资源

关于build

1. 需求出发点:解决自己的痛点需求

2. 如何build:

▢ 自己能coding就自己coding

▢ 自己不会可以学。菜脯就是设计出身,做了PM,业务时间coding做了amymind

▢ 自己不想学,前期可以找技能点匹配的朋友,给一笔钱帮忙开发一个原型。这种方式在可承担范围内,会比较容易快速启动

3. 进阶思考,构建产品的stop doing list

▢ 不是所有的反馈都要改进,不是所有的需求都值得做。类似之前提到过的「最大可行性产品 」沉浸式翻译就是一个案例

▢ tips:—如何确定哪些功能不做:体验足够多的产品,明确自己的产品目标,就会比较设立自己的原则

4. 大杠杆的事情枯燥但要早做,比如:

▢ 付费流程早些启动,提前跑通

▢ 多输出自己的博客、观点或作品,建立自己的受众,可以让用户更好了解产品、了解你

▢ 整理一个「点子笔记本」记录自己日常灵感

5. 保持低压力状态,个人开发者在AI时代,有很大优势

▢ 行业基建越来越完善,个人开发者有巨大的成本优势

▢ 基于大模型的领先优势,国内大公司都在复刻ChatGPT,应用节奏会比较保守

▢ 不用太担心大公司的布局,个人开发者侧重需求,大公司侧重商业价值,很多有趣的idea在大公司不会被立项… ⋙ @fuxiang

🤖 学习、创业、出海,我们该用何种姿势迎接AI新时代

博主 @向阳乔木 邀请前幕布/现Dora产品负责人 @刘遥行,聊了聊这一轮人工智能浪潮里,我们应该如何学习、如何创业、如何出海掘金。以下是 GPT-4 根据飞书转录的文字生成的摘要 (为了确保阅读效果,进行了人工微调):

一、遥行学习新的知识的方法

  1. 首先从论文入手,慢读理解论文,尽量用自己的话翻译

  2. 把自己的理解写下来,发布在网上论坛和知乎获取反馈

  3. 自己实践操作,运行代码,解决工程问题

  4. 加入相关公司,了解行业内人士的讨论和最新进展

二、遥行分享他的信息处理架构

  1. 拾取层,主要是初步记录和结构化信息,先数字化

  2. 粗炼层,用自己的话梳理整理

  3. 精炼层,根据自己的领域专注点对信息进行精炼

  4. 塑造层,是解决自己关心的问题,最终帮助创作

三、遥行对GPT4的看法和使用

  1. GPT4能力惊人:特别是理解世界知识和抽象概念的能力,也很适合做头脑风暴

  2. 如何控制好GPT4输出:写好详尽甚至复杂的初始Prompt,带元数据和编程风格,用树形结构按规则书写,分出多个角色执行不同的任务

  3. 不建议用GPT写产品文档,因为产品经理核心能力在于解决组织的问题,依赖工具写的内容,不利于积累对领域知识的理解,也没有增量价值

  4. 复杂工具不会被GPT取代,只是降低使用成本,定立规则的人会受益于GPT赋能

四、遥行谈Dora和自己的愿景

Dora仍在β阶段,100分打30分,切入点在无代码3D动效网站。Dora很重视产品架构和技术架构,打磨差不多时会计划推出付费版验证市场反应,计划年底推出正式版,届时性能和体验会更好。

五、遥行推荐的三本书

《被讨厌的勇气》《架构整洁之道》《诡秘之主》 ⋙ @向阳乔木 | 直播文字记录

🤖 清华大学191页重磅报告,AIGC发展的「百科全书」

ShowMeAI知识星球资源编码:R134

这是清华大学「新闻与传播学院元宇宙文化实验室」5月份新发布的报告,共191页,非常全面地回顾了 AIGC 的发展历程,覆盖了我们最常讨论的话题、最热门的应用领域、最有前景和风险的岗位等。

报告分为以下8个部分,可以称之为AIGC发展的「百科全书」:

1. 技术篇

2. 产业篇

3. 评测篇

4. 职业篇

5. 风险篇

6. 哲理篇

7. 未来篇

8. 团队篇 ⋙ 下载完整版报告PDF

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们!

◉ 点击 👀日报&周刊合集,订阅话题 #ShowMeAI日报,一览AI领域发展前沿,抓住最新发展机会!

◉ 点击 🎡生产力工具与行业应用大全,一起在信息浪潮里扑腾起来吧!

Stable Diffusion|黑白老照片修复 在这个时代,我们习惯于拥有高清、色彩丰富的照片,然而,那些古老的黑白色老照片由于年代的久远,往往会出现模糊、破损等现象。 阅读详情

相关推荐

AI 绘画 | Stable Diffusion 提示词

在Stable Diffusion中,Prompts是控制模型生成图像的关键输入参数。它们是一种文本提示,告诉模型应该生成什么样的图像。 Prompts可以是任何文本输入,包括描述图像的文本,如“一只橘色的短毛猫,坐在草地上,背景是蓝天白云”,也可以是关键词的组合,如“鸟,森林,天空”。 通过使用Prompts,我们可以控制生成图像的样式、主题、颜色、纹理等。同时,我们还可以通过调整Prompts的权重来控制不同要素在图像中的突出程度。例如,如果将某个关键词的权重设置得更高,那么模型在生成图像时就会更加

洛阳泰山的博客 1860

【AI绘画】超详细AI绘画提示词语法讲解!

SD全套资料,包括汉化安装包、常用模型、插件、关键词提示手册、视频教程等都已经打包好了,无偿分享,有需要的小伙伴可以自取。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。

A2421417624的博客 4041

Flutter热更新实战:Shorebird从安装到发布补丁的完整流程(含iOS/Android差异解析)

本文详细介绍了Flutter热更新工具Shorebird的完整使用流程,包括安装、发布补丁及iOS/Android平台差异解析。Shorebird作为Flutter官方未提供的Code Push解决方案,能快速修复线上问题,支持合规性保障和性能优化,特别适合紧急修复场景。文章还涵盖了国内CDN加速配置和最佳实践,帮助开发者高效实现热更新。

butter的博客 1080

怎么使用提示词进行Ai绘画创作?

提示词(Prompt)就是我们对AI的具体指令,告诉AI我们想要什么。提示词主要有2类,分别是正向提示词和反向提示词。文末扫码可获取更多详细资料噢~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。

A2421417624的博客 5529

地震勘探中的频谱分析:从基础到应用

本文深入探讨了地震勘探中的频谱分析技术,从基础原理到实际应用。通过傅里叶变换等工具,频谱分析能有效识别不同地震波的频率特征,指导数据采集和处理。文章结合油田勘探案例,展示了如何利用振幅谱和相位谱提升信噪比,并介绍了智能滤波等前沿技术在地震数据处理中的应用。

weixin_42557830的博客 410

七星棋牌顶级运营产品全开源修复版源码教程:6端支持,200+子游戏玩法,完整搭建指南(含代码解析)

让您从源码下载到本地运行一步到位!此外,文中还将附带详细代码解析与操作步骤,即便没有开发经验,也能轻松完成二开与定制。数据库是棋牌游戏中极为关键的组成部分,用于存储用户信息、乐豆余额、游戏记录、提现申请等数据。以下是部分核心数据表结构示例,便于存储用户信息与游戏记录。AI模块能够控制游戏中的胜率,常用于调节玩家体验。防沉迷功能旨在限制未成年人游戏时间。的完整搭建流程,特别适合。首先,获取七星棋牌源码。本教程将为您详细讲解。

aa2031171的博客 7814

10组经典midjourney提示词,让你的AI绘画灵感爆棚秒出大片

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。

qq_41314882的博客 4788

高效静音黑科技 —— 单相直流无刷电机驱动器

然而,传统的BLDC电机驱动通常依赖于三相架构,电路复杂,成本高昂,且在低功率应用中显得有些“大材小用”。单相直流无刷电机驱动器作为一项高效、静音、经济的技术,正逐渐改变着各个领域的电机驱动方式。其精巧的控制策略、显著的优势以及广阔的应用前景,都预示着这项技术将在未来扮演越来越重要的角色。它相较于传统的三相驱动,显著简化了电路结构,降低了成本,尤其适用于低功率、对静音要求极高的应用场景。通过这些模块的协同工作,单相直流无刷电机驱动器能够实现对电机速度、扭矩的精确控制,并最大程度地降低噪声和振动。

wen8789的博客 1768

ai绘画提示词生成器推荐,用这几个软件轻松绘画

打开后,它会显示一个搜索框,我们要输入我们想要生成的事物,例如a cat,然后它就搜索出带有这个词的许多图片,我们可以找到符合自己审美的图画,打开后就可以复制关键词。以AI特效做例子,点开这个功能后,只要选择一个模型,它就会在右侧的描述下显示它的关键词,我们可以直接复制。,这一点也是很棒的,例如我想要一个新的头像,就可以设置尺寸为1:1,一次性生成出9张图,让我能好好挑选。这个工具里面有许多的工具,只要点击图形图像,选择AI绘画关键词生成器,就可以进入下方的界面。是挺不错的,给大家看看它画出的图画。

m0_73026984的博客 7074

《Long-CLIP: Unlocking the Long-Text Capability of CLIP》

总的来说,Long-CLIP是一个改进的视觉-语言预训练模型,它通过知识保留的位置上插值和主要成分匹配策略,有效解决了原始CLIP模型在处理长文本输入时的限制。这一模型不仅在长文本图像检索任务中表现出色,而且在零样本图像分类任务中保持了与原始CLIP相当的性能,同时还能以即插即用的方式增强图像生成任务中的长文本处理能力。

Angelina_Jolie的博客 1381

YOLO11涨点优化:Loss魔改 | WIoU (Wise-IoU) v3版本全面替换,基于动态非单调聚焦机制,让模型更聪明地学习

YOLOv11目标检测中的WIoU v3损失函数改进 本文探讨了YOLOv11目标检测模型中CIoU损失函数的局限性,并提出了WIoU v3改进方案。关键发现包括: CIoU的缺陷:在低质量样本(小目标/遮挡目标)上过度惩罚,导致模型优化方向偏离,小目标AP往往比大目标低30%左右。 WIoU v3的创新: 动态非单调聚焦机制:根据样本"离群度"智能分配梯度 让模型重点优化中等质量样本,减少对低质量样本的无效关注 采用指数移动平均来自适应调整质量评判标准 实际效果:WIoU v3在保持大

2601_95807009的博客 425

AI绘图的场景应用:文生图、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。

qq_41314882的博客 7667

Windows 11 安装 Maven:下载、安装、配置国内镜像、验证

本文详细介绍了在 Windows 11 系统中安装与配置 Apache Maven 的完整流程,包括 JDK 环境准备、Maven 下载解压、本地仓库路径设置、阿里云国内镜像加速配置、环境变量设置及安装验证。同时提供了常用 Maven 命令速查表,帮助开发者快速上手依赖管理与项目构建,提升开发效率。

寒水馨 · 轻量级技术文档 · hanshuixin.org 1508

AI绘画提示词全攻略,让你所想即所画!(附12000+图片提示词库)

这可能是你从来没有见过的生产模式。提示词又成为魔法、咒语,在AI时代,掌握了提示词,你可以在一分钟之内写一篇文章,做一首歌曲,生成一张精致的图片。

阿道夫的博客 6224

高并发网络爬虫实践(欧赔、亚盘、大小指数数据爬取)

本文通过对一个实战化的高并发网络爬虫脚本进行深度模块化剖析,展示了如何构建一个兼具性能、健壮性和易用性的数据采集工具。核心设计思想总结模块化与单一职责: 每个函数都专注于解决一个特定问题,无论是网络请求、数据解析还是文件操作。并发与效率: 通过ThreadPoolExecutor实现了高效的并发抓取,极大缩短了总耗时。健壮性与容错: 强大的重试机制、细致的异常处理和线程安全的文件写入,保证了程序在复杂网络环境下的稳定运行。断点续传: 精心设计了进度记录与恢复机制,使得大规模抓取任务变得轻松可控。

猫敷雪 493

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》。

AI绘画人物(头像)设计提示词大全(持续更新)

当设置人物头像时,以下是每个类别的一些详细关键字列表,可以帮助您更准确地描述您想要的特征。本文将长期进行更新,欢迎关注。文中所涉及的内容也可在RdFast智能创作机器人小程序中即刻进行体验,包括AI素材、AI文案、AI编辑、AI绘画、AI室内设计和AI头像设计等。本文主要包括以下部分,后续将持续更新。(1)年龄性别 age sex(2)面部特征 facial featrue(3)发型和发色 hair(4)服装和配饰 clothing(5)表情和姿势 expressions pose。

叶子的博客 9873

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【AI绘画】超详细AI绘画提示词语法讲解!文末附提示词手册

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。

A2421417624的博客 1万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

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")

【技巧篇】AI绘画提示词16个,梦幻成真

黑森林工作室的Flux模型。 据说拥有恐怖的12B(即120亿)参数。 这个可以看成FLUX官网(flux1ai.com/dev)的镜像,不用本地搭建,直接用。

Trb201013的博客 5373

全是干货!全网最全AI绘画提示词使用技巧

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。

HJS123456780的博客 5305

【SD教程】超详细AI绘画提示词语法讲解!

自定义权重只可使用小括号控制,格式为(x:0.5)0.5为权重值,权重取值范围 0.4-1.6,权重太小容易被忽视,太大容易拟合图像出错。

m0_58477260的博客 5022

AI绘画提示词从入门到精通,看这篇保姆级解析就够了!

很多人玩文生图,都逃不开这几个痛点:想生成固定的人物 / 主体,结果每次出图都换脸、变风格;只想微调一个细节,整个画面直接全崩;写了密密麻麻一堆关键词,出来的图和预期完全不沾边。

m0_59235945的博客 2000

【AI绘画必备】2025年最值得收藏的10+ Stable Diffusion提示词模板

在AI绘画创作领域,Stable Diffusion凭借其卓越的图像生成能力已成为行业标杆,而精准的提示词(Prompt)运用则是解锁高质量生成效果的核心技术。本指南系统整理了涵盖多元艺术风格与创作主题的实用提示词库,旨在帮助创作者深度挖掘Stable Diffusion的潜在能力,通过科学的提示词组合实现更精准的图像控制,从古典油画到赛博朋克,从人物肖像到场景构建,全面覆盖各类创作需求,让每位使用者都能获得符合预期的专业级生成效果。

yihanss的博客 2092

AI绘画室内设计提示词大全(持续更新)

当你开始使用AI绘画进行室内设计(interior design)时,选择合适的提示词和关键概念对于成功构思和实现你的设计理念至关重要。以下是一些关于室内设计的提示词,涵盖了空间类型、设计风格、光线效果、布局规划、材料类型以及其他要求的详细说明。本文将长期进行更新,欢迎关注。文中所涉及的内容也可在RdFast智能创作机器人小程序中即刻进行体验,包括AI素材、AI文案、AI编辑、AI绘画、AI室内设计和AI头像设计等。本文主要包括以下部分,后续将持续更新。(1)正向提示词 prompt。

叶子的博客 1万+
上一篇: WPS AI内测申请窍门;AI数字人最全工具盘点;AI超级个体必读书籍;产品国际化与本地化指南;生成式AI应用路线图 | ShowMeAI日报
下一篇: 两则靠谱的AI招聘信息;长文档阅读的辅助总结神器 Obsidian Copliot;LLM 应用开发全栈指南;重写人工智能时代的创业手册 | ShowMeAI日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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