全都要:又快又大又全的AI绘画大模型

AI绘图大模型 Stable Diffusion 使用详解 Stable Diffusion 是基于扩散模型(Diffusion Model)的图像生成工具。它通过逐渐从噪声图像中反向还原得到清晰的图像,与传统 GAN(生成对抗网络)不同,扩散模型能提供更高的生成质量和细节控制。高质量的图像生成:能够生成高分辨率、细节丰富的图像。灵活的文本-图像生成:根据输入的自然语言描述生成图像。开源与可扩展:完全开源,支持用户自定义模型和数据集训练。Stable Diffusion 的核心功能是通过文本生成图像。 阅读详情

尽管SD3已经发布了,但至今尚未开源。

所以SDXL1.0依然是最受欢迎的开源大模型。

在SDXL时代,出现了三次速度革命:LCM(清华团队)、Turbo(官方)和Lightning(字节团队)。

尤其是Lightning技术,能够在极少的画质损失情况下,实现快速出图。

很多大模型都推出了Lightning版本。

但是依然有一个繁琐的地方:Lightning是单独的版本。

创作者为了完美,通常会发布一个全功能版本大模型,再单独发布一个Lightning版本大模型。

考虑到SDXL的大模型6.4G起步(有的未优化要12G),对于很多AI绘画爱好者来说,体积庞大的大模型是一个沉重的负担。

Colossus Project XL是一个奇妙的大模型,它融合了Lightning技术,又保留了完整版的画质。

只需要不同的步数,就可以实现不同的速度和画质。

实现了鱼和熊掌兼得。

作者在C站称:

巨像再次崛起…
在山下深处,住着一个沉睡的巨人,它有能力帮助人类或造成毁灭…
这个SD 1.0XL-Checkpoint能够制造几乎所有东西。巨像非常擅长创造极其逼真的图片、动漫和艺术作品。
这是我迄今为止创建的最佳模型的融合。它在很大程度上基于Hephaistos V3.31和Talos项目(这是我与freek22一起创建的项目)。然后我添加了我的Asmodeus 3.0模型的部分(尚未发布)。为了改善一些皮肤纹理,我添加了一小部分现实主义库存照片模型和Newdawn XL…
版本9.0 “赫拉”(HERA) 这个版本已经制作了很长时间。它基于一个名为“Hera”的自己训练的模型,该模型不是公开的,并与我现有的6.0版本和我Hephaistos Lightning模型的部分混合。它还融入了我的SDXL增强器Lora和Freek22的毛茸茸增强器Lora。这也是这个系列某种意义上的重启。它比我的上一版本审查得少。这更像是上一版本中的一个错误。此外,它与6.0版本相比,可以在更低的步骤下工作。
感谢freek22的毛茸茸增强器 https://civitai.com/models/310964/furry-enhancer-sdxl
请随时向我提供有关这个版本的反馈。
模型的一个已知错误:它无法产生男性***。我已经知道这一点了。为此,请使用Lora或另一个模型。这里是一些技术细节:
我在更多手和脚的图像上进行了训练,所以这应该会有所改进。请记住,这仍然是SDXL,它有一些限制…
版本9需要较少的步骤就可以开始工作。我建议从4步开始…更高的步骤可以并且仍将改善图像。在测试中,我尝试了3-16步的范围…以及1-7cfg。
如你所见:随着步数的增加,你可以运行更高甚至更低的cfg。

经过我的实测,大致在12步和CFG=2.5的参数下,能实现比较完美的人像效果,速度差不多比普通的SDXL大模型快2-3倍,在30步和CFG=7的参数下,实现比较丰富的场景画面效果。

1、小红帽

提示词:

photo, Red Riding Hood, 18 years old, natural dark lighting, best quality

10步,CFG=3

30步,CFG=6

2、狐狸耳朵

提示词:

face portrait of young woman, orange hair, fur, 19 years old, short hair, natural lighting , fox ears, whiskers , front bangs

3、机甲女战士

提示词:

Best quality, Raw photo, face portrait, a young cyborg woman with fiery red hair. Her face fills the frame, bathed in neon hues, exuding determination and mystery amidst a futuristic backdrop

4、村庄

提示词:

Aristic photograph, Hollywood action movie cinematic film still of beautiful mexican latina teen girl, solo, wearing a simple and poor XIX-century settler dress from west american border, during work on the farm, farm buildings on arizona plains in the background, clear and blue sky, distant hills visible in the background, medium length hair tied in a single braid, realistic hair, brown eyes, (medium shot:1.2), (looking at viewer:1.2), (front view:1.2), skinny body, small breasts, flatchested, shy smile, perfect teeth, film grain, mimic wrinkles, dimples in cheeks, masterpiece, absurdres, portrait, detailed skin texture, detailed eyes, full lips, ultra sharp, bokeh, (high quality), 4k, Nikon Z9,

5、朋克女孩

提示词:

face portrait of a 20 years old woman , gothic short blue hair, ruby piercing

6、城市夜景

提示词:

8k, award winning photograph<EllisMix-AntiNSFW>, cityscape, futuristic utopian city, city lights at night, moon, haze, (world s tallest buildings rise through the clouds, as seen from a rooftop oasis<OverallDetail:1.2>), from above, dynamic angle, (awe-inspiring architecture, ethereal, neo-gothic glass curtain fusion, imposing, (rooftop garden with infinity pool<refraction, lit pool, furnished oasis, opulent>), lit features<holographic, drone light show, uplighting, architecture enhancing>, blue, green, yellow, white, black, gray, orange, pink, red flashing beacons on towers), time lapse

7、西部牛仔

提示词:

The sun ascends over the dusty plains, casting golden light on a lone cowboy riding towards the horizon, his horse's hooves kicking up the dawn-lit earth --ar 3:2

8、晒太阳的老人

提示词:

((best quality)) , [by Richard Hamilton| Jasper Francis Cropsey], scene art, cinematic still, grass, (old man:1.3) , bored, dressed in Divine Chaperon, Dynamic pose, his hair is Brunette, Shoulder pads, at Sunset, Anime screencap, Concept Art World, emotional, 4k epic detailed, shot on kodak, 35mm photo, high budget, cinemascope, moody, epic, gorgeous, film grain, grainy, cinestill, awardwinning

9、宁谧的夜晚

提示词:

gradient night, dark black moody, (jankyard:1.2), distant small moon, desolate lake, 8k, hdr, high contrast,

10、人与自然

提示词:

close up of a person in meditation with head slitly upturned a light beams shin's up from the body, beautiful picturesque quaint legendary landscape, mist rolls in over the ground magically sounding the individual, incorporate an old tree on a mound, Tolkien inspirerad, include a person in deep meditation on a circular polished stone, a feeling of Magic and wonder, magical lighting effects, slow shutter effect, cinematic lighting, soft colorful lighting, star streaks, light trails, normal hand's, five finger's, masterpiece, best quality, highly detailed, sharp focus, dynamic lighting, vivid colors, texture detail, particle effects, storytelling elements, narrative flair, 8k, UE5, subject-background isolation

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 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】

123?spm=1001.2014.3001.5501)这份完整版的大模型 AI 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

AI绘画何以突飞猛进? 从历史到技术突破, 一文读懂火爆的AI绘画发展史 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

AI画图真的很牛吗?国内8家AI绘图大模型盘点(附体验网址)

AI画图真的很牛吗?

Code_流苏:在代码中寻诗意,在实践中觅真知 4130

系统论述:大模型绘画指南,开启AI生产力绘图新时代!

现在,为聊天场景打造的大模型也可以生成图片。不仅有趣,还十分有用!我说下面这张盘子图是 AI 大模型画的,你敢信吗?注意:不是文生图专用的 MJ、 SD画的,而是原生文生文大模型画的!很像,是不是!下面这张中国水墨画也是!我的世界游戏图片万万没想到,我一个玩 AI 大模型的,通过这种方式挤进了 AI 绘画赛道!一直以来,以 ChatGPT 为代表的大模型的主要应用场景都是聊天,生成文字。绘图是需要 MJ, DALL-E,SD 这些专用于生成图像的 AI 模型才能做到!

优快云_224022的博客 1872

【大模型】AutoDL部署AI绘图大模型Stable Diffusion使用详解

AutoDL部署AI绘图大模型Stable Diffusion使用详解

congge 1万+

AI绘画Stable Diffusion 主流大模型动漫、写实大模型推荐,目前最强的AI绘画模型,AI绘画大师进阶必备!

经过了我几个月的AI绘画Stable Diffusion 的入门教程学习,相信小伙伴们对现在的AI绘画已经变得不同于往日了,随着各种插件,Lora,大模型,vae,embeddings...的出现以及各种插件错综复杂的组合使用,为了不同目的而研发的各种作画工作流,已经让StableDiffusion变得越来越像一个专业智能绘图软件了

m0_56144365的博客 1807

常见的ai绘画大模型介绍

常见的ai绘画大模型介绍

u013558123的博客 3853

ADS仿真设计平行定向耦合器学习笔记

ADS仿真设计平行定向耦合器

qq_36521926的博客 1万+

AI绘画——了解AI绘画爆火原因与工具,并生成几个端午绘画小作品

随着最近爆火的AI绘图,相信大家对于这类工具有了一定的了解,本章将带大家了解哪些AI绘图工具更加方便与实用。

yj11290301的博客 9436

极简JEPA世界模型实战:低门槛复现LeWorldModel,CPU可跑

这次我们来看一个能让普通开发者真正上手跑起来的“世界模型”项目。如果你对Yann LeCun提出的JEPA(联合嵌入预测架构)框架感兴趣,但又苦于Meta官方实现过于庞大复杂,那么这个GitHub上4k star的项目就是为你准备的。它用极简的PyTorch代码(核心文件仅160-278行)完整复刻了包括LeWorldModel在内的五个JEPA核心变体,最大的亮点是: 门槛极低,普通笔记本甚至CPU就能跑,显存占用友好,非常适合学习和原理验证。 这个项目名为 keon/jepa ,完全开源。它剥离了工业级

weixin_29031161的博客 421

Ai绘画 Stable Diffusion常用大模型介绍

哈喽,大家好。今天给大家分享一下Stable Diffusion中我常用的大模型,主要内容包含它们的流行程度和绘画风格。还没安装StableDiffusion的小伙伴可以参考一下这篇注意:大模型存放的路径通常在models文件夹下面。例如我的模型存放路径:由Stable Diffusion团队出品,通常叫底膜,下面介绍的各种不同风格的模型都是基于官方模型重新训练生成的,有必要给大家简单介绍一下。

xiaokangss的博客 1690

MT4量化交易入门:手把手教你用MQL4编写第一个外汇EA(含完整代码)

本文详细介绍了如何使用MQL4在MT4平台上编写第一个外汇EA,涵盖从开发环境配置到均线交叉策略实现的完整流程。通过手把手教学和完整代码示例,帮助量化交易新手快速掌握外汇自动化交易的核心技术,实现高效的MT4量化交易系统。

mmm90的博客 527

硬核拆解华为/大疆/小米硬件面试真题:手撕电路+考点思维导图(附答案)

设计一个增益为20dB、带宽≥100kHz的同相放大器,电源电压±5V,要求输出摆幅≥8V。12位ADC的参考电压2.5V,输入信号1kHz正弦波,峰峰值2V。输入24V转5V/10A的同步降压电路,开关频率500kHz,计算MOSFET的损耗并选择型号(需提供TI官网截图)。设计无人机图传系统,要求1080P@30fps,传输距离2km。FPGA设计中,100MHz时钟域到50MHz时钟域传输32位数据,给出同步方案并画时序图。“设计一个输入12V、输出5V/3A的同步降压电路,给出关键参数计算”

qq_63103361的博客 3537

2025最新AI软件系统,AI绘画网站系统源码(多模态大模型+AI智能体+4o编辑AI绘画+文档分析支持)

SparkAI是一款集成了OpenAI/ChatGPT等先进AI技术的多功能智能系统,支持智能问答、AI绘画、视频生成等多种功能。最新版本新增了智能体应用分享、GPT-4o画图模型适配、多模态文件分析等特性。系统采用Node.js+NestJs服务端渲染技术,支持高并发访问,提供PC端、移动端和公众号对接等多种使用方式。部署方式灵活,支持宝塔面板和Docker一键部署。系统还包含完善的支付、会员、分销等商业功能模块,以及敏感词过滤等安全机制...

CodeRunning的博客 3589

槽型光电开关传感器原理图设计,已量产(光电传感器)

在嵌入式设备的位置限位、物料计数等场景中,槽型光电开关是性价比极高的传感器方案 —— 它通过遮挡发射器与接收器之间的光路实现电平切换,电路简单且抗干扰性优于漫反射式光耦。今天分享一个实际项目中落地的槽型光电开关检测电路,从器件选型到逻辑设计都做了简化适配,适合小批量原型或低成本产品的需求。

不脱发的程序猿 719

AI绘画:显卡对AI绘画的影响到底有多大

本文深入探讨了显卡对AI绘画的影响,指出显卡是AI绘画最重要的硬件。文章从AI绘画的运算本质出发,解释了GPU比CPU更适合AI绘画的原因,重点分析了NVIDIA的Tensor Core技术优势。通过实测数据对比了不同型号显卡的出图速度和显存表现,指出12GB显存是"甜品级"配置。文章比较了NVIDIA、AMD和Intel显卡在AI绘画中的表现,强调NVIDIA凭借CUDA生态和Tensor Core技术占据绝对优势。最后给出购买建议,推荐RTX 3060 12GB作为性价比之选,并提醒避免购买老旧的GTX

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 1万+

一张图看懂 ABAP CDS 两大子语言:CDS DDL 与 CDS DCL 以及缺席的 DML

ABAP CDS 的核心设计思想围绕语义数据模型(DDL)与数据访问控制(DCL)展开,而非单纯作为SQL查询工具。其DDL通过声明式语法定义业务导向的数据视图,强调模型稳定性与复用性;DCL则将访问控制逻辑下沉到模型层,实现行级权限过滤。ABAP CDS刻意剥离DML功能,交由ABAP SQL处理数据变更,形成清晰的分层架构。这种设计使数据定义、访问控制与应用逻辑解耦,为现代ABAP应用提供更安全、可维护的数据治理方案。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 976

实干派!网易易盾增强版滑块验证码,全方位讲解识别思路(含源码)

该验证码是异形滑块验证码中的一种,缺口旋转+偏移的处理需要你有很好的图像处理知识,能很好的处理透明通道,同时,该验证码需要你能很好的处理缺口和背景之间匹配的关系,该验证码的处理难点就是两个缺口之间如何找到正确的,两个检测框都有很强的相似度,且加上背景图的干扰,在图像处理和有优化上难度大大增加。

码王吴彦祖的博客 2015

AI绘画大模型工具汇总整理

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 2187

9篇2章2节:GBD 数据库的数据申请详解

无论您是初入公共卫生领域的学生、资深的科研工作者,还是政策决策者,GBD数据库都将成为您数据分析与决策支持中不可或缺的重要工具。

MD Code 2600

是谁还不知道这些免费好用的AI工具(包含AI绘画、大模型)

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。

yihanss的博客 1062

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》。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

AI绘画火爆,以昆仑万维AIGC为例,揭秘AI绘画背后的模型算法

从Conditional GAN的实现来AI绘画并不是简单的照搬,在训练Conditional GAN的时候,我们在做的时学习到图像的分布。对于一张64×64×3的8bit图,可以有12288^256种组合,而这么多组合里面只有极小一部分是我们需要的图像,而Generator网络就是把z从一个简单的分布(比如高斯分布),映射一个复杂的分布(图像的分布)。当学习到这个分布后,我们只需要从z的分布中采样一个点,就可以对应到一张图像。这就是我们Generator在做的事情。

ZackSock的博客 1万+

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

AI绘画:SD制作的AI美女绘画,传统与现代的融合

今天我将为大家介绍一系列由SD制作的AI美女绘画,这些作品采用了Stable Diffunsion国风大模型,以其独特的特点令人印象深刻。

Android 开发架构 1237

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")

【AI绘画】Comfyui人工智能神器,大量工作流和模型来了

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 2693

6个免费的AI绘画工具分享_ai绘画免费工具

(全套教程文末领取哈)

2401_84617731的博客 3328
上一篇: 5大趋势:2024年国内AI免费大模型架构与应用场景全面解读
下一篇: 竞逐智能家居大模型:美的“蓄力”,海尔“疾行”
普通网友
博客等级 码龄3年 4493粉丝 309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