粉丝479获赞1128

有时候跑出一张满意的照片,想再来几张相似的,却发现 ai 又犯蠢了,后面的图和前面风格都不一样,教你一招微调 ai 铲出的照片,让生成的每一张照片都是我们想要的照片风格,并且每张照片都有一定的区别。方法就是今天要讲的第八节课程内容。随机种子 右边的框里打勾就可以看到全部。每张 sable diffusion 生成的图片中都有一个专属的种子 c 值,我们也可以把图片拉到图片信息中查看。当随机种子设置为复议时,图画随机生成, 我们可以点右边的头子重置为负一。而下面的差异随机种子我们可以理解为在原来图片种子的基础上叠加变化,当两个多为负一时,是没有效果的,我们至少需要固定一个种子 c 值,提高差异强度来实现。我们看下实操,我们这边固定 c 值,把差异强度调整到零点二,一设 生成四张,看下效果,可以看出和原图还是很相近的,只有细微不同。那如果我们把差异强度调整到零点五,就会发现图片差异更大了, 所以差异强度越大,下面的差异种子对图片影响越大。看到这聪明的家人估计就醒悟了,我们是不是可以填写两个 c 值,融合两张图?没错, 我们找一张以前生成的图,放到图片信息,点击文生图,只要大模型不变,这样就会再次生成之前的样子,然后我们重置头子为负一,随机生成一张, 这张我们命名为图二,然后复制图二的种子 c 值到第一条,打开刚图片信息那张图片复制 c 值到第二条,把差异性强度拉到零点二,我们点击生成看下效果,有一点融合的感觉了,我们调整到零点八,在对比下看看。这张 有第一张的风格了,我们把四张全部放上来对比,我们这里是固定了图二的 c 值,图一作为影响图二的变量,当差异强度为零点二十,图二带有一点点图一的风格,当差异强度为零点八十,图二几乎变成图一,这个还是可以直观感受到的。最后我们来讲下随机种子的尺寸, 其实这个用的到的地方很少,他的描述是尝试生成图像,与同一种子在制定分辨率下生成的图像相似。给大家举个例子,首先我用五百一十二乘五百一十二生成一张全身照,可以看出脸都崩了,图片不能承载这么多细节,这时候我们再生成一张五百一十二乘一千零二十四的图, 这张是我已经生成好的,我们复制它的 c 值,然后调整对应参数,变异强度调到零点八, 我们放大对比看下效果, 可以看出经过融合的这张照片人脸不像一开始那样崩了,这个有什么作用呢?说之白点就是我们可以用五百一十二乘五百一十二高效率的跑出一千零二十四的全身照, 对于低显存的家人来说是个不错的功能,大家也可以自己研究下。好了,我今天的分享就到这边了,我是爱江子,如果你觉得今天的内容很实战的话,请帮我点点小爱心。

今天我们分享的内容是 stable diffusion 纹身图参数详解, 让我们先打开 sd 吧。 clip 跳过层 clip 跳过层我们一般很少调整,但为了完整性,还是大概说明一下它的作用。 先说测试出来的结论,数值越高,生成的图和题词的相关性越低。 例如在提词器中设置了关键词,吉尼龟可爱帽子水。 接下来需要找一个不错的状态来固定随机种子。为了节约时间,我这里直接输入之前测试过的 seed。 我用 x y z 图表脚本生成了一个对比图。关于 x、 y z 图表的使用,我们以后再说。横向对比时, clay 跳过层从一到十纵向对比了两个模型 可以观察到,总的来说,数值越高,得到的图像就越缺少我们在提词器中设定的内容。 这一点我觉得我们新手仅做了解就好。大部分情况下, clip 跳过 层的数值保持默认即可。采样迭代步数 采样迭代步数在之前的纹身图概述中已经提到过了,当鼠标停留在上面时,也可以看到它的含义。简单来说,采样迭代步数就是用多少次来计算你提词器里的内容。 同样,我这里设置了在一到四十的步数范围内,取其中十张图来做对比。为了节约时间,我这里直接用之前生成好的对比图, 可以观察到,当步数太低时,生成的图像几乎无法呈现内容, 超过三十以后差异就会比较小。 个人认为将步数控制在三十以内比较合适,因为超过三十步会增加生成图片所需的时间,但收益可能有限。 采样方法采样方法在之前已经提到过,他指的是不同的算法。在之前的采样迭代步数对比的基础上,我在上面增加了所有采样方法的对比,以便进行纵向比较。 从速度方面来看,电影的速度最快,而 dpm adaptive 则较慢。 但是这个对比只能作为参考,因为不同的采样方法可能对不同的模型产生不同的影响。对于采样方法,我认为最好的方式便是尝试以及根据个人的喜好进行选择。 目前在网络上使用最广泛的几种采样方式分别是, order a d p m 加加二 m paris d p m 加加 c paris theme。 面部修复、平铺及高清修复面部修复通常用在生成三次元的图, 例如我这里生成一个三次元的图, 面部会有些崩坏, 开启面部修复功能后,对于生成的三次元图像崩坏情况可能会有一定改善,但对于二次元图像,建议不要开启面部修复功能。平铺适用于生成花纹的,我们用过,这个咱们新手就暂时跳过吧。 高清修复功能在一定程度上也可以帮助改善面部效果。例如我这里以男人的图为例进行演示。对于三次原图像,可以选择 r s gansx 加算法,对于二次元图像,可以选择 r s gans x 加 anime 六 b 算法。通常情况下,高清修复的采样次数 可以保持默认值为零,这样他会和采样迭代步数保持一致,而重回幅度数值越高,生成图像与原图的差异也会越大。一般情况下,零点四到零点七的效果都不错。放大倍率,顾名思义,就是在原有分辨率的基础上放大多少,千万别给太高,否则显卡会封,通常两倍就足够了。 可以看到面部得到了改善,并且由于我重绘幅度给的比较高,所以画面的变动比较大。另外提示一点,当面部崩坏的时候,面部修复和高清修复二选一,不要两个都开,否则会适得其反。 分辨率分辨率的设置是尤为关键的,上一篇模型分类的文章中,我们提到了几乎所有的模型都是基于 s d 官方模型训练得来的。而以官方模型 s d 一点五为例,训练时候图片的分辨率是五百一十二乘 五百一十二, s d 二点一的分辨率新增的七百六十八乘七百六十八版本。 也就是说,几乎所有的模型训练的尺寸都是五百一十二乘五百一十二或者七百六十八乘七百六十八。因此,当我们分辨率太低,例如低于二百五十六乘二百五十六,会让 sd 没地方发挥,导致图像质量下降。 而当我们把分辨率设置过高,例如高于一千零二十四乘一千零二十四,会让 s d 乱发灰,构图会有问题,甚至产生鬼畜效果。 这个和宽高比没有关系。例如我把宽改为五百一十二,高保持幺二八零也能生成一副正常的图片。具体分辨率应该如何设置,我的个人建议是至少 保证其中一个参数为五百一十二或者七百六十八。 有一些模型他也会写明推荐的分辨率。 如果你确实想生成高分辨率图像,建议生成小的分辨率尺寸,然后再次基础上开高清修复, 生成批次和 c f g 生成批次很好理解,相当于每次生多少组图, 这些图的随机种子是依次增加的,每批数量就是每组图有多少张。例如我这里生成的 四批,每批数量是四,一共就是十六张图。 c f g 参数控制生成图像的题词相关性 我这里同样以吉尼龟为例,做了一个对比图,大家可以看看。 数值越高越接近题词内容,但过高会导致饱和度过高。 随机种子说到随机种子,我们这里先提一下 ai 绘图的工作原理。用人话讲, ai 绘图就是先给一个噪声图,然后通过不断的调整往你的鼻子靠拢,最后生成图片。例如我这里用 game 的采样方法,迭代步数为一,就会生成一张噪声图。随机种子随机的其实就是这张噪声图。 我这里同样生成了一个采样迭代步数一到十的对比图,可以看到,当采样迭代步数唯一的时候,就是一个噪声图,然后随着步数的增加,逐渐形成一张图。 之前我们也提过,当你得到一个觉得不错的效果时候,可以点击环保图标按钮,固定住随机种子。这样在同样硬件环境以及参数不变的情况下,你每次得到的图可以达到百分之九十九的相似。 点击投资按钮,随机种子的数值会变成负一,这样每次都会使用一个新的随机种子。 激活到三角旁边的按钮。之后这里你还可以再设置一个随机种子, 然后通过调整差异强度,将两个种子的图片进行混合。下面的宽度和高度是指的生成图时按照你指定的分辨率的构图或者效果生成图片,但实际最终的分辨率还是你上面设置的出图分辨率。这个功能很少用 ai 绘图小案里及尼龟找到之前测试过程中还不错的一张图,上传到图片信息选项卡,它会自动读取到你的文生图参数信息。点击文生图,你的参数设置就会 自动填写到纹身图的各个栏位。首先我把模型切换为了 red animate 幺点二点二,这个是 red animate 的最新版本文墨,我也会把模型分享给大家。我把尺寸的高度改为了七百六十八,宽度保持为五百一十二,然后把采样迭代步数改为三十。生成图试一下 出问题了,生成的图片跑出一个女孩出来,并且在翻车的边缘徘徊,所以在正向题词框内我输入了没有人类,并且括弧加冒号一点三来提高他的权重。同时为了避免翻车,反向题词里我输入了 nasww 不适合在工作时间浏览的内容, 权重为一点四。接下来我们就需要找到一个比较合适的随机种子状态固定住。进一步微调,大家可以通过生成多个批次的方式找到自己想要的状态。为了节约时间,我直接输入之前尝试好的 c c, 站上看一下这个模型的介绍,他是有推荐 填写的正反向题词内容, 这些主要都是用于调整画面品质的题词,把他们都抄进题词框吧。模型介绍中的权重书写方式我改为了自己习惯的写法。这个以后我们再进一步分享。 开始微调吧。题词内,首先我把一个吉尼龟可爱帽子水改成了吉尼龟戴着绿色的帽子可爱水。 接着我在可爱后面输入了 tv, 这个是用于描述 q 版形象的意思,我记得吉尼龟的眼睛是红色的,所以又输入了红色眼睛。 然后我又加入了站立、张开、短手臂、短腿、微笑来进一步控制他的形态,大体感觉就出来了, 现在手部出现问题了,这个是最不好控制的。我这里首先把互相题词里和手有关的权重都提高了, 但是现在又多出一个手出来,所以副像题词里我加了一个多余 尸体在最前面。 现在帽子出现了红色,我只想要纯绿色的帽子,所以在副像题词里加了红色帽子。 至于他的位置,我建议大家先放到最前面开始尝试,如果对画面影响太大,就向后移。如图所示,我移动到低质量后面的时候,画面影响不太大,但是又多了部分肢体出来,所以再次提高多余肢体的权重。这个权重大家可以多尝试一下,太高或者太低效果都不好。 当我们在题词中连续输入两个逗号,即表示中间有个空白。题词对画面也有微弱的影响,因为其实相当于还是改变了题词之间的前后顺序,也就是权重。只是这种微调就需要多多尝试了,例如我这里手指又多了,并且反而降低多余肢体的权重,能得到满意的效果,有点玄学。 另外我开了高清修复,由于本身我对画面已经比较满意了,所以橱柜幅度开的比较低,主要是为了放大分辨率 算法,记得选择正确哦。最后 ps 里调色排版看看效果吧。

sd 已经用了很长一段时间了,大家有没有想过一个问题, sd 提供的二十种采样方法都是什么意思?弄清楚这之前,首先需要明白什么是采样。首先, sd 会在一个潜在空间中生成一个完全随机的图像,然后噪声预测器会预测估算图像的噪声, 并且从图像中减去预测的噪声。最后整个过程重复几十次就得到了一张图片,这整个去除噪声的过程成为采样。 了解什么是采样后,那么这二十种采样器又有什么不同呢?第一种,传统的常威分方程求解器,主要有 order, q, m, s 这些采样方法存在了一百年,但是被认为是不太准确的采样器。第二种是祖先采样器, 也就是名称中有一个 a 的,主要有 aler 啊, d p m two a, d p m 加加 r s a d p m two a carries d p m 加加 r s a carries 他们 在每次采样过程中回向图像,添加噪声,并且都是随机采样器,所以生成的图像都存在一定的随机性。祖先采样器的缺点就是完全按照 ai 自己的理解走,自由发挥。 第三种是最早的官方采样器 ddm 和 pms, 最早是随着 sd 的 ve 版本一起发布的采样器, game 是为扩散模型设计的 dep 采样器,而 pms 则是 ddm 的替代产品,生成速度更快。 第四种, dpm 和 dpm 加加系列采样方法是二零二二年发布的新型采样器,它们的特效类似 dpm 二,比 dpm 生成图效果更加准确,但是速度更慢。 dpm 加加是 dpm 的改进型, 可以进行自适应调整,但也存在同样的问题,生成速度变慢,且不能保证在规定数量的迭代步数内完成。第五种带有 cares 的采样器添加了噪声时间表,并且由噪声时间表 来控制每个采样步骤的水平。这种方法随着采样步骤的增加,减少了很多图像截断误差。第六种用的 pc 是二零二三年新发布的采样器,受第一种方法的启发,可以在五到十四节带内生成高质量的图像。关注我,带你认识更多 ai 工具!

今天我们来讲一讲采样方法的选择,以及在保持随机种子不变的情况下,如何让 ai 生成更有想象力的照片。在此之前,我们先讲一讲 eta 这个参数。 eta 是一个跟想象力和多样性挂钩的参数,当 eta 不为零时, dia 和 sde 的采样方法都会随着步数发生合理范围内的改变。在零到一之间,数字越大,改变的跨度就越大,他无法收敛。 当 eta 为零时,除了 ola 和 ddn, 带 a 的和 sde 的采样方法到达一定的步数就会收敛,不会再发生任何改变。 我们可以在脚本这里找到这个参数,在零到一之间你都可以。这里我选择一零点五和零试一下连带步数一到三十,平均取六个步数,对比这些采样器, ola、 ddim 以及代 a、 sde 的采样方法,同时选择一个不带 sde 和 a 的采样方法作为参照。稍等片刻之后,我们可以看到几个带 a 的采样方法。只看后面几步, eta 为零时, ola 还是发生了一些变化,衣服和姿势都变了。 理论上 ddim 应该也有一些变化,但是这里看不太出来。其他带 a 的和 sde 的随着迭代步数的增加,几乎没有看到任何的改变。 gti 为零点五十。这几个采样方法后几步明显发生了一些改变,有些是衣服,有些是背景,有些连动作都变了。 eta 为一时,每一步都几乎发生了变化。这符合我们前面的结论。 vta 不为零时,带 a 的和带 sde 的采样方法都会随着步数发生改变。 再来看一下参照组二 a, 你可以看到 eta 的数值根本无法影响二 m。 无论 eta 等于多少,他的每一步都会发生一点点改变,一下衣服,一下动作,一下背景。你可以认为这个采样方法既无法收敛,又无法通过人为控制生成图片的想象力的尺度。 其实很多朋友对 ola 和 ola 之间的关系感到非常的疑惑,前者比后者多了个 a 深层的图片有时候一样,有时候又不太一样。我们再做一轮对比,看看这几个采样器之间有什么关系。 你会发现,当 eta 为零时, oraa 和 ora 的每一步都几乎一模一样, dpn 和 dpma 也是每一步都一模一样,二 m、 sde 就没什么关系。当 eta 为一时,你会发现每一组的每一步都不一样。而且无论 eta 怎么变化, ola、 dpn 和二 m 这几个不带 a 的或 sde 的都不会受到影响,两者的每一步结果也都是一样的。得出的结论就是, ola 其实就是 eta 为零的 olaa, dpm 就是 eta 为零时的 dpma, 而二 m 应该和 sde 没有什么屌直接关系。 那这个视频讲到这里,他的指导意义又是什么呢?就是当你不想对比步数带来变化的时候,可以使用不带 a 的采样器 dbm 加加二 mola, 甚至是最新的采样方法 unipc。 而如果你想人为的添加一些意外之喜的话, ola s, d, e 这些采样器应该是更好的选择。注意调整对应的 e、 p、 a 值,对比不同的步数,找到最喜欢的。通常来讲,你给 a i 多留出一点空间,他就会表现的更好,并且 产出不同迭代步数的图并不会太过消耗显存,因为本来他就要迭代。 pa 是想象力和多样性的参数,但是他的多样性是来自于步数的变化。他可以在你种子选定的情况下进行微调,让作品有更多的可能性和多样性。今天就到这里,再见。

各位老师,各位同学,下面我们来认识谁激素的种子细的,我们先打入 人等模块, out 加 p 回车, out 加屁回车。好,可以看到呢,它产生了这样三个随机数,下面我们设置一下这个 rendond 的 的就是种子,假如我们设置 c 的等于一, 然后呢我们回车再直行这个 rendon 点 rendel, 可看到第一个零点一三四,再来一次零点八四七, 零点七六三。那么如果我们把这个扔的改 一下,我们先将这个细的改为零, 然后呢再来看一下他,这里改变了,假如我们还想得到四得一, 产生了这三个随机数,我们把这个 c 的改为一看一下回车, 然后我们执行,可以看 这个和这个是相同的,我们再来看一下 第二个是相同的,这个呢和这个是相同的。也就说 当我们指定了一个种子的时候,他后续产生的这一个谁激素是确定的,那这个 的有什么用呢?其实当我们需要产生或者使用相同的水结束的时候,我们可以指定一个 c 的就可以 得到同样的最基数。下面我们来看一个例子,我们在这里呢让他产生一个整数,一到二十的整数 五个填充到这个列表当中,下面我们运行他会得到 这一个,我们再运行一次,他得到的结果呢还是相同的。假如现在我们把这个五改为五十, 彩色站一个,我们再运行一次, 可以发现这两种数据是一模一样的,那么他到底 有什么用呢?这需要大家在实际的使用当中自己呢去体会。好了,关于谁激素的种子,我们就讲到这里,谢谢大家。

大家好,我是灰灰老师,今天我们重点讲解一下生成批次的用法。首先生成多张图片需要用到生成批次和每批数量两个参数, 每批数量设置为 n, 批次设置为一时,图片会一起生成高显存,推荐使用这种方法生成批次,每批数量设置为一则,每次生成一张图片,批次为 n, 会一张一张的出图低显存,推荐使用这种方式,我们来实操看下。 随意输入一个简单提示词,竖。 首先我们将生成批次设置为三,每批数量设置为二,点击生成。生成过程中可以看到每 次在同时画两张图,三批次后生成了六张,我们将数值调整一下,生成批次为一,每批数量为二, 点击生成。画的过程中每批次画两张,画一批次生成了两张图片,将数值调换一下,每批为一,批次为二, 点击生成,可以看到过程中每批次画一张,两批次结果依旧会生成两张,这个就是我们生成多张图片的方法。 接下来我们继续看随机种子。生成每张图片时的随机种子,这个种子是用来确定扩散初始状态的基础,不同的种子生成的噪声图是不一样的,当设置为负一时,这个时候生成的随机种子是随机的,当随机种子设置为一样的时 后,生成的图片就是相似的,我们随机生成一张图片,随机种子刚才参数是负一,可以看到这个时候的 seed 再生成一下, 可以看到两次的 seed 都是不一样的,我们将这个种子数复制一下, 用这个数值再次生成一下,大家记住现在这张图,等下对比一下, 可以看到同样的种子树生成后画面是相似的。 特别讲一下,这里有个骰子的图标,点击一下 随机种子会设置为负一,点击后面绿色的图标会显示最近一次的 seed 勾选,后面的选择框则会用到差异随机种子,这个功能是固定一个种子,然后通过调整差异强度来生成图片。因为是固定的 c 的值,所以生成的图风格都是类似的。差异强度为一时会使用新种子,生成结果基本偏向于新的种子。 差异强度为零时,使用原种子会偏向于原来种子的图片,这就是随机种子,绘画时根据具体需求调整参数。 接下来我们继续看一下提示词相关性 c f g 数值越大与提示词越接近。下面是不同的 c f g 生成的图片,以及不同数值情况下 画面的表现情况,大家可以仔细观察一下。我们先生成一个女孩,对比不同 c f g 的区别, 我们打开脚本中的 x y c plot 以后会专门来讲这个功能。 ex 轴类型,我们选择 c f g scale ex 轴,输入不同的 c f g 值,点击生成。 可以看到前三张的图片是比较模糊的,四到八图片生成比较良好, 后面几张图有一些过饱和,但是生成的也可以,这个呢就是提示词相关性 c f g 的展示。这次的参数详解就结束了,后期会根据实力来使用这些参数,下期见。

hello, 大家好,我是于白白,欢迎收看我的 ai 绘画系列教程之 stable diffusion 基础教程,今天的内容呢是关于 stable diffusion web ui 的一期非常详细的基础操作, 不管你是新手还是已经用过 s d 很久了的高手,相信里面呢还是会有多多少少一些你不知道或者说没有注意过的很实用的内容。 这一期教程呢知识点非常密集,时长呢可能也会比较长,大家可以先收藏再观看,记得点赞关注支持一下。好的,接下来我们就进入到我们的教程当中, 当我们首次打开这个页面的时候呢,我们先了解一下这个页面的布局啊,在这个最上面呢有一个快捷栏,在这个快捷栏呢默认的话会内置一个选择模型的这样的一个页面啊,这是我已经预装载了,就是放了很多的模型里,在这 这里你可以通过这个快速方选择的方式呢去找到你要的模型。然后呢这一块的区域呢,也就是功能选择吧。功能选择区,这里是描述语的输入框, 这边呢是一些执行的内容,然后下面呢是参数设置和一些简单的插件,这边的话呢就是我们深沉图的一些预览,以及对于图片的一些操作的内容。那么第一次打开这个网页的小伙伴们就会说,这个页面怎么全是英文的,我不知道怎么操作。那么第二步我会先教大家先去安装一个中文的插件, 这样的话呢有助于我们后面的讲解。呃,这个方式的话呢是点击这个组建的选择栏里面的最右边的这个 extensions 打开这里,然后的话呢选择这个 available 就是可用的。那我们要去安装一个语言包的时候呢,我们要先去把这个 localization 这个选项呢 取消取消掉啊,然后呢我是因为已经安装了哈,我也我我我得把这个取消掉,你们不用点这个啊,然后呢我们点这个 load from, 我们就可以从这个网页当中去装载 啊,我们可安装的这些插件,当然这个呢是需要连上这个啊网络的啊,那么在这样子的情况下呢,我们往下去翻啊,就可以去 找到这个中文的这个安装包的插件了,然后我们在这里有一个叫 z h c n 的这样的一个语言包,找到这个,然后呢点击最右边的这个 install 就可以装载。这个我已经装了,所以它显示的是已经安装啊,点击完了以后它安装很快哦。 安装完了以后呢,我们要在这个 install 的这个已安装的这个内容当中找到我们刚才啊已经选择的这个 已经安装好的这个内容,我们要把它勾选起来啊,他会有时候会自动默认勾选,但是你得确认一下,确认勾选了以后呢,我们点这个接受,然后重启这个 rebui, 他就会 把这个内容装载到你的外表 i 的页面上了。然后有位朋友就说,哎,怎么打开了以后还是没有呢?因为我们在设置里面还没有去选择内容,我们第一步已经装载了这个包,然后我们要去选择它, 然后我们点击这个设置啊 settings, 在这边左边呢找到一个叫做 user interface, 这里找到这个 user interface 以后呢,拉到最下面,这里有个语言选择好,我们点开以后 就可以看到这个 z、 h、 c n 的选项了,我们点击这里,然后一样的设置完了以后,要点这个接受你的设置的修改,然后点击右边这个 reload, 就是重新装 载一下,我们再次打开这个页面的时候,你就会发现他已经变成中文了, ok, 我们的中文插件就安装好了。 然后呢接下来我们会给大家去讲一些内容。首先第一个呢就是说,呃,这个快捷栏的这个地方呢,有些小伙伴就说,呃,怎么跟我看到平时看到的不一样,就是有些 呃版本啊,就是比如说有些别的大佬做的这个版本上面还有一个还有几个选项,一个是可以在这个上面选择 v a、 e, 这个的话呢,也是在设置里面可以去设置的,我们点击这个设置,然后在这个 用户界面这里啊,用户界面这里呢,有一个叫做快捷设置列表,快捷设置列表呢,这里有一个提示,是说建议,建议填入这个内容啊,然后呢我们会发现下面它只有一个 model 的选项,那我们 把后面的这个内容也复制给他粘贴进去啊,把这个逗号也要复制好,然后我们把它粘贴到这里, ok, 粘贴到这里以后呢,我们点击保存设置,然后重启, 我们就可以看到啊,在我们的这个会计设置栏当中呢,这个 ve 的这个选项已经有了,至于什么是 ve a e 呢,我们这里补充一点啊。 呃,新手的话呢,可以把 va 理解成为对一张画面生成出来的一个滤镜,或者是说他的一个光影感觉,比如说我们打开一个 c 站上面的粉彩模型啊,这个,那内容当中呢,我们就会看到下面有很多用户的一些投稿,比如说我们点开一张, 我们就会发现啊,这张图的整个的感觉呢会比较就会比较灰灰蒙蒙的感觉,其实这这张图很明显就是没有加载 v a e 的内容, 然后呢我们再看另外一张,像这种啊,他就是加载了 v a e 的,所以为什么有些小伙伴说,哎,为什么我画出来的图啊是是灰灰的黄黄的啊?因为你可能没有置入 v a e 的信息。那么 v a e 的话呢,我们在这个 模型的选择里面啊,比如说这个模型它是有一个自带的这个 v a e 文件的,我们下载的时候把这个 v a e 下载了以后,也放在 v a e 的那个 model 的文件夹里面去,我们就可以装载了。然后呢 有一些模型他是自己已经内置了 vie, 就是如果下载模型的时候,他下面没有 vie 的选项,说明他已经把 vie 的内容就是这种光影的感觉已经置入进去了,你就不需要再去下载了。 那我们在这个内容选择以后,我们就看到我们呃选择了很多种 v a e, 然后呢在这个时候我们可以去选择 一个自动自动加载,然后找到找不到文件的时候,我们就不加载,或者说我们选择其中一个,然后在设置里面呢,选择如果有同名的就自动加载同名的,没有的话我们就加载这个,这个设置就是这样比较简单, 那么设置完了这个以后呢,我们再来看哈关于下面的这个纹身图,图身图的这个功能选项啊,纹身图的话大家应该能理解,就是文字生成图片,图身图呢就是添加参考图,来来去根据你的 描述以来就生成图片,然后附加功能,这里的话呢会有一些比如说批量处理啊等等这样的一些呃常用的一些功能, 然后图片信息呢,这个功能呢是很常很实用很常见的一个功能,就是用 s d 画的图,你把这张图片拖拽到这里的话,这边会显示 他的所有的一些参数啊,当然前提是这张图没有被处理掉信息的情况下,我们就举一个很简单的例子吧,我们直接从 c 站找一张图片过来,比如说这个模型,比如说这个模型他会有一些介绍的图片,对吧?我们选择一张, 我们把它点开,我们点开以后我们选择这张图片,我们直接把它拖到这个页面当中来, 然后呢这边就会显示这张图片的所有的参数信息啊,包括它的描述与它的模型,它的一些步骤,还有它的一些比如说用了什么样子的放大的算法等等啊,那么 在这样的情况下,我们可以直接点击这个图纹身图啊,就可以把这些参数信息自动填写到这样子的内容当中 来啊,那么接下来呢,我们正好用这个参数来去给大家讲解一下怎么样去呃理解下面的这些参数, 那么这个图片信息的这个内容的话呢?嗯,一般你自己画的图,你自己画完以后,在文件夹里面找到所有的图片,都可以通过这种方式拖到这里来去获取你这张图的一些呃文字信息,文本信息。当然如果你想要 就是去除掉你的这些文本信息,因为你比如说你要把图片发给别人,你又不想让别人知道你的描述语是什么,那你可能要通过一些处理,比如说呃,去就发图的时候不要发原图啊,或者是说 走 ps 里面过一下,然后重新导出一下,然后他的信息就没有了。 ok, 那后面的这个呢是模型合并这个的功能的话,就是把两个模型就是你喜欢的模型,他可以通过一些 算法,然后合并成一个新的模型,这个挺有意思的,就是混模型,大家有空的时候可以去研究一下,或者说后面的教程呢,再去给大家讲一讲,那么这个训练的话呢,就用的会比较少啊。 然后就是设置跟我们的插件扩展的内容,那么接下来呢,我们就开始去讲一下关于这个生成的那个内容。这边的话呢是正向描述语,这个是反向描述语,正向描述语就表示你要输入你 想要画的东西,反向描述于呢就是不想要这个画面当中出现的东西,比如说画质啊,模糊,或者说有时候画人物的时候他可能会出现,比如说嗯,多一只手啊,或者说手指 缺个手指啊,然后手脚混乱啊什么的,这个都可以写到这个内容当中去。那么写描述语的这个规则是什么样子呢?就是 呃,在 web ui 里面,或者说在 s d 的这样子的界面当中呢,一般我们会叫做把这个东西叫做 tag, 呃标签或者是说提示词,然后呢它的表达方式呢,就是一个词或者说一个句子,然后用逗号隔开, 然后我们可以看到,为什么有一些呃内容当中呢?他的描述与后面会加括号啊,这个就代表权重。权重什么意思?就是这个词语在这个画面当中的重要性, 他的重要性越高,那他的权重就应该越高。那么权重的内容的话呢,有两种表达方式,一种呢是加括号啊,加这个英英文符的括号,加一组括号呢,代表提高一点一倍的权重,然后可以通过这种方式,比如说我们加两组括号,那么就是一点一,再乘以一点一的这种 啊权重。那么怎么样的去固定一个权重值呢?就是在这个括号当中啊,我们使用书写这个比例的方式啊,加一个比,比如说你希望他的权重是一点五啊,那你就可以通过这样的方式去添加。

一分钟搞懂 stable、 diffusion 二十种采样器当你打开 sd 时,面对这二十几种名字相似的采样器,是不是瞬间感到头大?弄清楚他们之前,我们需要明白什么是采样。当我们点击生成时,会根据 c 的值随机生成一张初始噪声图像, 接着模型的预测器会预测出另一张噪声图像,然后在初始噪声图像中减去预测出来的噪声,就得到一张新的图像。 之后不断重复预测噪声和减去噪声的步骤,就能得到最终的图像,因为每次去造后会得到一张新的样本图像,这个过程就叫做采样。去造使用的方法就叫做采样方法,或者采样器去造重复的次数就是采样迭代部署。 了解了原理,那这二十多种采样器该怎么选择呢?先上结论,可以直接抄作业。要区分这些采样器,只需分类后就一目了然。第一类为老式的常规方程采样器,特点是实现简单且年代久。 他们都是稳定采样器,一般二十步之后图片变化不大,能稳定收敛。第二类为名字中都带了字母 a 的,叫祖先采样器,属于不稳定采样器,每次去造后会添加少量随机噪声到图像中,因此随着采样步数增加,图片也会一直变化,适合给图片增加惊喜和创造力。第三类为 ddim 和 pms, 是早期 sd 附带的采样器,专门为扩散模型而设计。第四类为 d p m 和 d p m 加加系列采样器,是二零二二年发布的专为扩散模型设计的新型采样器,其中 d p m 加加是 d p m 的改进。第五类为 carries 系列采样器,使用 carries 论文中推荐的噪声表,提高了图片的质量。第六类为 uni p c, 是二零二三年发布的新型采样器,可在五至十部内实现高质量图像生成。最后,这是大佬们根据出图速度和质量评分推荐使用的采样方法,你也可以自己测试后选择喜欢的即可。我是局大,分享更多 ai 干货。

记住啊,这是个固定写法 time, 然后用 time 做种子,然后用这个种子接下来再去生成你的水技术,这是标准写法。 讲这个固定写法,你如果直接这么写就会被人喷的啊。嗯,当然你看别人这么写,你也可以喷他。

那随机种子从哪来呢?其实有不少算法会调用当前的系统时间来作为随机种子。这种方法诈听起来好像挺随机的,因为人是情感动物,做事极其没有规律,谁也不知道用户会在哪时那刻参与一个随机行为,而且时间是每时每刻都在变动呢,也恰好符合随机函数不断变化的特性。 除了这种方法,还有现代计算机之父约翰冯诺一曼提出的平方取中法,将第一轮得到的随机数取中间的几个数字作为第二轮的随机种子,然后再把第二轮的随机数作为第三轮的随机种子。 用这个无限套华的算法生成的随机术能无穷无尽。不过上面说的两种方法都在计算机的可预测范围内,那有没有不容易预测的随机种子呢?有,比如 lenix 内核中有一套方法,就是从使用计算机硬件的人身上获取噪声当做随机种子,这个噪声可以是两次键盘敲击的时间间隔, 有一次鼠标移动的距离、当前的网络速度、计算机的内存、剩余网卡的麦克地址等等等等。这些信息从理论上来讲可以称为真实技术,对于计算机来说已经是相当不可预测了。 如果你也想用计算机生成一个真随机数,可以试试这个网站 random 点挖机,网站里可以产生各种随机数,给定一个范围就能生成数词。他的随机数种子噪声源取自大气里的分子运动现象,广义上来讲也算真随机了,差评就用人格担保,这绝对不是恰饭,谁会给这种破网站打广告啊喂! 可能有的同学会疑惑,那像午夜十二点抽卡、放好运来开箱这类玄学操作到底有没有用?当然没用,假如你的骚操作能刚巧碰上了随机种子的生存条件,那当我没说不,按照这个逻辑,更大概率出现的情况是,你的玄学操作就被耽误了时间,浪费了成为狗头的机会。那到底为什么各大 公司和游戏厂商都选用尾随机代替真随机呢?难道这当中有什么业内黑幕?其实并没有不用真随机的,原因很简单,真随机的史记生产效率远远低于尾随机, 大多数情况下,他都需要物理条件来辅助产生,比如说治头子、丢硬币这种。当然也意味着多了一些硬件设备的额外支出,而且消耗的时间也远超过算法生成。其次是真随机的用户体验极差。可能你很难相信,最早的 itas 随机播放就用的是真随机, 随到拿手就不放,拿手不做一选排序。然后苹果的客服人员就接到了大量的投诉,用户说,哎,我明明捡了随机播放哦,怎么出现了一首歌播两次情况?还有用户表示自己放了五首歌在歌单里,结果随机播放竟然跟顺序播放一模一样。 之后苹果公司发布了一条声明来解释这些现象的内在逻辑,并且表示自己的随机播放完全没有问题。

哈喽,小伙伴们大家好,我是吴,我之前做过一期开机随机种子的介绍视频,很多小伙伴为了这个开机发展快或者打某些极限收益会使用开机种子。本期来聊一聊开机种子中内容的利用, 最典型的就是提前知道租车出售什么物品,起码不用一直跑租车了。最常用的比如很早就出售五个上火种子,而且马上会有小仙女催熟,一般的党即使再幸运也不可能比这样发展商务更快, 比如我直播的时候使用的七九幺七零七二二零这个种子,第七天花五千买五个上古种子,第八天晚上会来仙女如果搭配别的做我种成三乘三的地块,而且第八天不下雨的情况下,就会百分百催熟这五个上古,找到秋天结束, 每个长十一个上古,这样一共是五十五个上古,用种子制造机平均一个做成两个上古种子,就是一百一十个,差不多快把纹身种满了。如果鲜熟的种子在夏天就做成种子再种的话会发展的更快,或者是利用尾随机把每个上古做成三个种子将就更快, 但是流程上并不会比普通酿酒有多大的区别,只是发展的更快一点而已。建议仍然是走草莓、啤酒花、南瓜这样的路线,毕竟发展上古就算再快出现中旬开温式终生基本上要冬天下雪才能买第一啤酒 还是非常缺现金的。如果是配合茶叶苗和炸矿这样的开局,夏天就可以种植杨桃的话,在发展上午感觉有些画着天祖直接一直发展杨桃就好了,初期的五千留着开沙漠会更好。 其实还有一种发展上股比较快的方法,就是提前知道某日期,用种子制造机能刷出上股种子的位置,如果了解伪碎机刷上股的话,完全也不比开局买股上股慢, 连开鱼的五千和发展的时间都省了,而且每个档都可以用,再配合开局长时间的钓鱼气泡就发展的更快了。用竹鱼竿在气泡钓鱼呢,比一斤鱼竿用鱼饵加鱼去钓鱼还快。 如果位置合适,时间又长,或者前几天都有的话,不仅是更快的提升钓鱼等级,换到玻璃鱼竿对于初级升级工具买包种草莓都有很大的好处。 再一个提升初级资金的办法就是知道粘土的位置,利用刷粘土第一天就可以收入一两千块钱,这个同样是可以和上面的两种相结合,一个前几天都有长时间钓鱼起泡的档,在这 落刷电筒的位置,就会很容易打出一个完美的开局,大大提前去炸矿的时间。单独的仙女如果日记好也有一点用途,但是不会比前面的更明显,比如十三号仙女如果能加速二十五个草莓的话,多少两次就相当于多种了二十五个草莓, 不管是秋天的仙女呢,可以配合宝石天美,能够推出二十五个宝石天美的话,来发展宝石天美也许不错。 如果是下一推出啤酒花的话,效果就应该没那么好,因为啤酒花不能种的那么密,多收一百的啤酒花四万多块钱也算是可以吧。 还有就是租车刷红叶卷心菜对于先进流程来说也是比较重要,就算选了开局选项,第一年避出卷心菜也还得一直去看,租车相对会浪费很多时间。其他的一些我感觉用途 都不是很大,比如垃圾桶出东西,出个蟹黄膏还能有点用,提高一天的效率。其他的很多也不过是补体力而已,最多相当于两条连鱼 蚯蚓,第一天出矿物也就是多二百块钱,和双粘土比差的还是太远了。还有就是陨石和女巫都没什么用,陨石不过是遛我一矿,女巫就是一个虚空弹,中后期的五千还比不上初期的五百,而且还必须有二级以上的鸡舍才行。 暂时就说这么多吧,大家觉得有什么比较好的可以利用的可以在评论区留言,那么本期视频就到这里了,感谢大家的观看,我们下期再见!

在拍摄中,通过 randmc 的方法设置随机数种子,可以使得随机数据可以预测,只要种子数的数值一致,生成的随机数都是一样的。不设置随机数种子每次随机出现得到的数据可能都是不一样的。设计了随机数种子,每次出现结果都一样, 这个函数,你参数的数字就相当于一把钥匙对应上门,同样的数值能够使得抽烟的结果一致。


我只要领到九十九啊,可他每次搞出来现在还有几十万,什么什么的又有时候又只有零,有时候又麻烦,怎么办呢?哎,看取就行了, 能理解吗?不管这个 rend 生成的是一个多大的数多小的数,它对一百取取悦之后得到的结果只能是零到九十九,是不是理解了吗?

有很多人不知道种子是什么意思,可以理解为一个固定的地图,里面物品都是固定的,神种更是能带来更多的卷种, 别意味着更好的伤害。就比如零零一八三出门就会有一个奏响,像这种的奏响我们称为额外卷子,像腐化牢房和神庙这种为啥奏响的,我们称为固定奏响是不会被作为额外的,尽可能多的收集卷子会让武器的伤害有子的飞跃 方言, 除了随机生成的奏箱,还有一种额外,这个就是挑战区域,挑战区域的宝箱会给一个项链,给一张卷轴,挑战比奏箱还稀有,属于可遇不可求的那种,除此之外还会给一些气跑,大概是三十个。本期就到这里,下期介绍武器的秘密。