【朱颜不曾改,芳菲万户香。AIGC人物图片创作---InsCode Stable Diffusion 美图活动一期】

【朱颜不曾改,芳菲万户香。AIGC人物图片创作

---InsCode Stable Diffusion 美图活动一期】

本文目录:

一、 Stable Diffusion 模型在线使用

1.1、模板运行环境配置

1.2、运行InsCode平台的Stable Diffusion模板

二、Stable Diffusion主界面功能

2.1、Stable Diffusion主功能菜单

2.2、Stable Diffusion文生图txt2img功能操作步骤

2.2.1、选择需要使用的模型

2.2.2、输入正向和反向提示词prompt

2.2.3、选择采样方法(Sampler)

2.2.4、选择迭代步数(Steps)

2.2.5、设置生成图像的宽度高度

2.2.6、选择生成批次和每批数量

2.2.7、提示词导系数(CFG Scale)

2.2.8、随机数种子(seed)

三、Stable-Diffusion高级特性

四、图片生成实例

4.1、效果1

4.1.1、模型相关版本和参数配置

4.1.2、图片生成提示词与反向提示词

4.1.3、种子

4.1.4、对应图片

4.2、效果2

4.3、效果3

4.4、效果4

4.5、效果5

4.6、效果6

4.7、效果7

4.8、效果8

五、参考资料:


一、 Stable Diffusion 模型在线使用

  InsCode是一个集成了在线IDE、在线AI编程、在线算力租赁、在线项目部署以及在线SD 模型使用的综合代码开发平台。

  Stable Diffusion是目前最火的AI绘画工具之一,它是一个免费开源的项目。通过Stable Diffusion,可以很轻松的通过文字描述,生成对应的图片。Stable Diffusion WebUI把Stable Diffusion模型进行了封装,提供更加简洁易操作的界面,自身还可以通过插件等方式获得更多能力。目前使用的最多的是Stable Diffusion WebUI,因为它界面友好,可以很方便的调整各项参数,生成高质量的图片。

  InsCode平台的AI绘图Stable Diffusion 模型生成图片功能测试开启,本文的图片是在InsCode平台试用生成。

  Stable Diffusion 模型在线使用,请用浏览器打开以下链接地址:

  https://inscode.csdn.net/@inscode/Stable-Diffusion

1.1、模板运行环境配置

模板介绍:

  此环境主要用于学习和使用Stable Diffusion,已经安装了相关软件和组件库,可直接启动Stable Diffusion WebUI进行创作

环境配置

显卡(目前支持显卡如下)

  • RTX 3090 / 显存24GB
  • RTX A4000 / 显存16GB
  • Tesla P40 / 显存24GB

基础配置

  • CPU:6 核(每显卡配置)
  • 内存:30 GB(每显卡配置)
  • 数据盘:40 GB

版本信息(目前):

  • Ubuntu 20.04
  • Stable Diffusion WebUI 1.3.2
  • JupyterLab 4.0.1
  • Python 3.10
  • Torch 2.0.1
  • Tensorflow 2.12.0
  • Transformers 4.28.1
  • xFormers 0.0.201
  • BitsandBytes 0.39.0
  • Diffusers 0.16.1

1.2、运行InsCode平台的Stable Diffusion模板

  点击:【 运行及使用 】,进入下面页面:

  选择Stable-Diffusion模板,选择自己需要的设备,搭建一个付费的GPU服务器。

  点击支付后,出现下面页面:

  大概1-2分钟,创建完成后,页面出现已启动,再点击右下页面红框所示的WebUI就可以进入以Stable Diffusion为模型的AI绘图网页端。

二、Stable Diffusion主界面功能

2.1、Stable Diffusion主功能菜单

  • 2.1.1、文生图txt2img

  通过 文字提示词,生成图像图片。

  • 2.1.2、图生图img2img

  通过图片 生成相似风格的图片。即根据提供的图像作为范本、结合文本提示生成图像。

  • 2.1.3、附加功能Extras

  用于 优化图像,提高图片精度。

  • 2.1.4、图片信息PNG info

  用于查 看由StableDiffusion生成的图片信息,可以获得图像具体信息,包括正向提词和反向提词内容,以及各参数设置和lora调用名称以及基础模型名称等信息。(其他软件生成的信息可能被隐藏无法查看)

  • 2.1.5、模型融合合并Checkpoint Merger

  将 所用模型进行合并处理后使用。特别是对于做“inpaint”的时候,很多基础模型不带inpaint功能,一般调用的是官方SD15的inpaint模型。如果追求更好效果,可以用此功能,通过这个页面,将inpaint的官方模型,与自己习惯用的基础模型合并,合并后,再减去官方的这个版本的非inpaint功能的基础模型,从而生成一个新的带inpaint功能的新模型。

  • 2.1.6、训练Train

   进行模型训练。根据提供的图片训练具有某种图像风格的模型


  •   

2.2、Stable Diffusion文生图txt2img功能操作步骤

如何使用文生图,具体步骤下文:

先选择【文生图txt2img】功能

2.2.1、选择需要使用的模型

目前平台安装了的模型有:

  • chilloutmix-Ni.safetensors[7234b76e42]
  • chilloutmix-NiPrunedFp32Fix.safetensors  真人模型
  • Cute_Animals.ckpt
  • ghostmix_v11.safetensors
  • GuoFeng3.ckpt[74c61c3a52]
  • primemix_v21.safetensors
  • Realistic_Vision_V1.4.ckpt[660d4d07d6]
  • stable-diffusion-v1-5.ckpt
  • v2-1_768-ema-pruned.ckpt[4711ff4dd2]
     

2.2.2、输入正向和反向提示词prompt

  • 正向提示词prompt

  正向提示词prompt就是你想要画的东西,想要生成什么图片,就需要在这里进行输入,内容包含主体、风格、色彩、质量等要求,支持句子和单词,提示词和提示词之间,用英文逗号隔开,越往前权重越高,越往后权重越低。权重高低,意味着生成图片时是否会将该内容直接生成到图片中;提示词并非越多越好,因为后面的关键词基本权重可以忽略不计。

  • 反向提示词Negative prompt

  反向提示词内输入的就是你不想要画的东西,不想要什么信息,就输入说明文字,告诉SD不要生成这类图片。例如不想图片质量太差,不想生成的图片太过模糊或者多出一些奇怪的手和脚,支持句子和单词,提示词和提示词之间,用英文逗号隔开。

2.2.3、选择采样方法(Sampler)

  SD通过对起始噪声画布进行降噪来工作,就是用扩散采样器来处理图像。这些采样器就是算法,它们在每个步骤后获取生成的图像并将其与文本提示请求的内容进行比较,然后对噪声进行一些更改,直到它逐渐达到与文本描述匹配的图像。采样方法表示想要绘制的时候,算法采用偏向哪种风格,但是它们的多样性来自步数变化。

  最常用的三个采样器分别是Euler a,DDIM和DPM++系列。

  • 面部修复

  修复人物的面部,但是非写实风格的人物开启面部修复可能导致面部崩坏。

  • 平铺图(Tiling)

  生成一张可以平铺的图像,勾选之后,生成的图像可以支持无缝拼接,用于生成无缝3D贴图。

  • 高分辨率修复(Hires. fix)

  用于修复画面细节不足的问题,勾选之后会展开二级菜单,默认会将生成的图像放大2倍,会先根据原始尺寸生成一次图像,然后将这张图根据放大算法图生图生成一张大图。

2.2.4、选择迭代步数(Steps)

  迭代步数(Steps)表示图片生成过程迭代的次数。

  Stable-Diffusion通过从充满噪点的画布开始创建图像,然后逐渐去噪以达到最终输出。Steps就是控制这些去噪步骤的数量。通常,越高越好。一般情况下,默认值是20个步骤,已经足以生成任何类型的图像。

以下是有关在不同情况下使用steps的一般指南:

  • 如果你正在测试新提示并希望获得快速结果来调整输入,用10-15个steps。
  • 找到所需的提示后,将步骤增加到20-30。
  • 创建带有毛皮或任何具有详细纹理的主题的面部或动物,想要细节丰富,可以尝试40个steps,或者更高。

2.2.5、设置生成图像的宽度高度

宽度
  生成图像的宽度,

  模型训练的时候,大多采用512×512或者512×768,所以这里生成的时候 建议用512×512或者512×768,效果会稍微好一些,人像肖像 建议用512x768,风景画 建议用768×512,可按比例加大或减小,这个值必须是 8 的倍数。

高度
  生成图像的高度。

2.2.6、选择生成批次和每批数量

生成批次(Batch count)
  每次执行画图的批次数,生成批次是每次一共生成几批图片。也就是说你每点击一次生成按钮,最终出图的数量=总批次数*单批数量。

单批数量
  每批次生成的图像数量,注意:单批次生成的图像过多,显存占用越多,如果显卡显存本身较小则容易爆显存出错,建议增加批次数而不是单批数量。

  注意:每批数量是显卡一次所生成的图片数量,调太高可能会导致显存不足导致生成失败,而生成批次不会导致显存不足,只要时间足够会一直生成直到全部输出完毕。

2.2.7、提示词导系数(CFG Scale)

  提示词导系数(CFG Scale),较高的数值将提高生成结果与提示的匹配度。

  提示词导系数(CFG Scale),CFG这个参数可以看作是“创造力与提示”量表。较低的数字使AI有更多的自由发挥创造力,而较高的数字迫使它更多地坚持提示词的内容。CFG 量表可以分为不同的范围,CFG量表可以分为不同的范围,每个范围都适合不同的提示类型和目标。

  OpenArt 上使用的默认 CFG 是 7,这在创造力和生成你想要的东西之间提供了最佳平衡。通常不建议低于 5。因为图像可能开始看起来更像AI的幻觉,而高于16可能会开始产生带有丑陋伪影的图像。

  • CFG 2~6:属创意,但可能失真过多而太扭曲,没有遵循提示,按照提示进行操作。对于简短的提示来说,可以很有趣和有用。
  • CFG 7~10:推荐用于大多数提示。创造力和引导一代之间的良好平衡。
  • CFG 10~15:当您确定你描述的提示是详细且非常清晰时,可以使用这些数值(纯风景和建筑类的图片可能需要的CFG会比较高)。
  • CFG 16~20:除非提示非常详细,否则通常不推荐使用。可能影响一致性和质量。
  • CFG >20:几乎不使用。

2.2.8、随机数种子(seed)

  随机种子是一个决定初始随机噪声的数字,随机噪声决定了最终图像。每次在StableDiffusion系统上运行完全相同的提示词prompt,会得到不同的图像,是因为随机数种子不同。如果你使用相同的seed,相同的设置,并且使用相同的提示词prompt,会得到相同的生成图像。

  由于相同的种子和提示组合每次都提供相同的图像,因此我们可以通过多种方式利用此属性:

  生成每张图片时的随机种子,这个种子是用来作为确定扩散初始状态的基础。如果选用某个固定的种子序号,则会在当前基础上进行修改。

  • 控制角色的特定特征:例如情绪,头发颜色或肤色等等
  • 测试特定单词的效果:如果你想知道提示中的特定单词发生了哪些变化,则可以使用相同的种子和修改后的提示进行测试,最好通过每次更改单个单词或短语来测试提示。
  • 更改样式:如果你喜欢图像的构图,但想知道它以不同的样式显示效果。可用于你创建的任何场景。

三、Stable-Diffusion高级特性

  Stable-Diffusion的一些高级特性,包含如何去使用Lora修改生成图片的细节,如何使用ControlNet来控制图片的形状;

3.1、Lora

  Lora,全称是Low-Rank Adaptation,原本应用于大语言模型LLM (Large Language Models),在Stable-diffusion模型中也有较多应用。点击右侧的附加网络按钮,打开附加网络选项,点击下方的Lora权重,如果选择一个Lora权重,权重配置字段会自动填入上方的提示词中。

 
  Lora权重的格式为《权重名:权重比例大小>,Lora权重可以同时选中多个进行叠加。在Web UI中,Lora权重是可以同时选择多个进行叠加,但建议所有权重之和不要超过1,因为过大的Lora权重可能会导致中间某些层的输出结果溢出。

   使用Lora权重之后,可以针对性的修改图片的某些风格和效果。


 
3.2、ControlNet组件

  ControlNet组件为我们提供了一种精确控制Stable-diffusion生成图片的方式。我们可以选择不同的预处理,通过边缘检测、姿态检测等方式,使用参考图控制去噪过程,

  ControlNet有几个关键的可选项:

  • 控制类型:通过选择控制类型,可以选择我们想要进行的操作;
  • 预处理器:设置处理参考图的方式,例如canny则可用canny算子进行边缘检测;
  • 模型:设置生成图片所用的ControlNet模型;
  • 控制权重:设置ControlNet所作用的权重,默认为1。


 

四、图片生成实例

4.1、效果1

 

4.1.1、模型相关版本和参数配置

Stable Diffusion 模型(ckpt)Stable Diffusion checkpoint:

GuoFeng3.ckpt [74c61c3a52]

采样方法(Sampler)Sampling method:

Euler a

采样迭代步数(Steps)Sampling steps:

40

宽度Width:

768

高度Height:

1080

生成批次Batch count:

1

每批数量Batch size:

1

提示词相关性(CFG Scale)CFG Scale:

7.5

4.1.2、图片生成提示词与反向提示词

正向提示词prompt

1 girl, detailed beautiful skin, kind smile, ridiculous, detailed beautiful face, petite figure, detailed skin texture, pale skin, detailed hair, random hairstyle, detailed eyes, sparkling skin, clean face, beautiful face, cool, naughty face, (double tails)), sideways head, naughty, fashionable clothes <lora:GuoFeng3.2_Lora:1>

反向提示词Negative prompt

(worst quality,low quality:1.4),nude,logo,text,chinese,disfigured,kitsch,ugly,oversaturated,grain,low-res,deformed,blurry,bad anatomy,disfigured,poorly drawn face,mutation,mutated,extra limb,ugly,poorly drawn hands,missing limb,blurry,floating limbs,disconnected limbs,malformed hands,blur,out of focus,

4.1.3、种子

随机种子(seed)Seed

7086661973

4.1.4、对应图片

 

 

 

4.2、效果2

 在效果1的设置上,修改以下内容:

 Stable Diffusion 模型(ckpt)Stable Diffusion checkpoint:

primemix_v21.safetensors

其他设置不变。

4.3、效果3

 

 

 在效果1的设置上,修改以下内容:

 Stable Diffusion 模型(ckpt)Stable Diffusion checkpoint:

primemix_v21.safetensors

其他设置不变。

4.4、效果4

 

 在效果1的设置上,修改以下内容:

 采样方法(Sampler)Sampling method:

Euler

其他设置不变。

4.5、效果5

 

 在效果1的设置上,修改以下内容:

 采样方法(Sampler)Sampling method:

DPM++ SDE Karras

其他设置不变。

4.6、效果6

 

 在效果1的设置上,修改以下内容:

 采样方法(Sampler)Sampling method:

UniPC

 提示词相关性(CFG Scale)CFG Scale:

10

其他设置不变。

4.7、效果7

 在效果1的设置上,修改以下内容:

 采样方法(Sampler)Sampling method:

UniPC

 提示词相关性(CFG Scale)CFG Scale:

18

其他设置不变。

4.8、效果8

 

 在效果1的设置上,修改以下内容:

 采样方法(Sampler)Sampling method:

UniPC

 提示词相关性(CFG Scale)CFG Scale:

21

其他设置不变。

五、参考资料:

网络

https://zhuanlan.zhihu.com/p/629910090

       推荐阅读:

让Ai帮我们画个粽子,它会画成什么样呢?

给照片换底色(python+opencv)猫十二分类基于大模型的虚拟数字人__虚拟主播实例

计算机视觉__基本图像操作(显示、读取、保存)直方图(颜色直方图、灰度直方图)直方图均衡化(调节图像亮度、对比度)

 语音识别实战(python代码)(一)

 人工智能基础篇

 计算机视觉基础__图像特征

93d65dbd09604c4a8ed2c01df0eebc38.png

 matplotlib 自带绘图样式效果展示速查(28种,全)

074cd3c255224c5aa21ff18fdc25053c.png

Three.js实例详解___旋转的精灵女孩(附完整代码和资源)(一)

fe88b78e78694570bf2d850ce83b1f69.png

cb4b0d4015404390a7b673a2984d676a.png

立体多层玫瑰绘图源码__玫瑰花python 绘图源码集锦

 Python 3D可视化(一)

 让你的作品更出色——词云Word Cloud的制作方法(基于python,WordCloud,stylecloud)

e84d6708316941d49a79ddd4f7fe5b27.png

938bc5a8bb454a41bfe0d4185da845dc.jpeg

0a4256d5e96d4624bdca36433237080b.png

 python Format()函数的用法___实例详解(一)(全,例多)___各种格式化替换,format对齐打印

 用代码写出浪漫__合集(python、matplotlib、Matlab、java绘制爱心、玫瑰花、前端特效玫瑰、爱心)

python爱心源代码集锦(18款)

dc8796ddccbf4aec98ac5d3e09001348.jpeg

0f09e73712d149ff90f0048a096596c6.png

40e8b4631e2b486bab2a4ebb5bc9f410.png

 Python中Print()函数的用法___实例详解(全,例多)

 Python函数方法实例详解全集(更新中...)

 《 Python List 列表全实例详解系列(一)》__系列总目录、列表概念

09e08f86f127431cbfdfe395aa2f8bc9.png

用代码过中秋,python海龟月饼你要不要尝一口?

 python练习题目录

03ed644f9b1d411ba41c59e0a5bdcc61.png

daecd7067e7c45abb875fc7a1a469f23.png

17b403c4307c4141b8544d02f95ea06c.png

草莓熊python turtle绘图(风车版)附源代码

 ​草莓熊python turtle绘图代码(玫瑰花版)附源代码

 ​草莓熊python绘图(春节版,圣诞倒数雪花版)附源代码

4d9032c9cdf54f5f9193e45e4532898c.png

c5feeb25880d49c085b808bf4e041c86.png

 巴斯光年python turtle绘图__附源代码

皮卡丘python turtle海龟绘图(电力球版)附源代码

80007dbf51944725bf9cf4cfc75c5a13.png

1ab685d264ed4ae5b510dc7fbd0d1e55.jpeg

1750390dd9da4b39938a23ab447c6fb6.jpeg

 Node.js (v19.1.0npm 8.19.3) vue.js安装配置教程(超详细)

 色彩颜色对照表(一)(16进制、RGB、CMYK、HSV、中英文名)

2023年4月多家权威机构____编程语言排行榜__薪酬状况

aa17177aec9b4e5eb19b5d9675302de8.png

38266b5036414624875447abd5311e4d.png

6824ba7870344be68efb5c5f4e1dbbcf.png

 手机屏幕坏了____怎么把里面的资料导出(18种方法)

【CSDN云IDE】个人使用体验和建议(含超详细操作教程)(python、webGL方向)

 查看jdk安装路径,在windows上实现多个java jdk的共存解决办法,安装java19后终端乱码的解决

vue3 项目搭建教程(基于create-vue,vite,Vite + Vue)

fea225cb9ec14b60b2d1b797dd8278a2.png

bba02a1c4617422c9fbccbf5325850d9.png

37d6aa3e03e241fa8db72ccdfb8f716b.png

2023年春节祝福第二弹——送你一只守护兔,让它温暖每一个你【html5 css3】画会动的小兔子,炫酷充电,字体特

 别具一格,原创唯美浪漫情人节表白专辑,(复制就可用)(html5,css3,svg)表白爱心代码(4套)

SVG实例详解系列(一)(svg概述、位图和矢量图区别(图解)、SVG应用实例)

5d409c8f397a45c986ca2af7b7e725c9.png

6176c4061c72430eb100750af6fc4d0e.png

1f53fb9c6e8b4482813326affe6a82ff.png

【程序人生】卡塔尔世界杯元素python海龟绘图(附源代码),世界杯主题前端特效5个(附源码)HTML+CSS+svg绘制精美彩色闪灯圣诞树,HTML+CSS+Js实时新年时间倒数倒计时(附源代码)

 2023春节祝福系列第一弹(上)(放飞祈福孔明灯,祝福大家身体健康)(附完整源代码及资源免费下载)

fffa2098008b4dc68c00a172f67c538d.png

5218ac5338014f389c21bdf1bfa1c599.png

c6374d75c29942f2aa577ce9c5c2e12b.png

 tomcat11、tomcat10 安装配置(Windows环境)(详细图文)

 Tomcat端口配置(详细)

 Tomcat 启动闪退问题解决集(八大类详细)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/378.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据结构——各种常见算法的实现方法和思路

文章目录 常见的排序算法类型复杂度和稳定性 1.冒泡排序2.直接插入排序3.希尔排序4.简单选择排序方法1&#xff1a;双向遍历选择排序方法2&#xff1a;单向遍历选择排序 5.归并排序方法1&#xff1a;递归方法2&#xff1a;非递归 6.快速排序方法1&#xff1a;随机取keyi方法2&a…

谈 Delphi 中 JSON 的简便操作(非常简单)

我曾有讲过Delphi操作JSON的方法&#xff0c;特别是这一篇【delphi】类和记录的 helpers&#xff08;助手&#xff09;。但是因为当时是主要介绍的是Delphi的Helper&#xff0c;大家可能并没注意到Delphi中JSON的简便操作方法。 早期Delphi并没有自己的JSON操作库&#xff0c;大…

了解 JVM - 认识垃圾回收机制与类加载过程

前言 本篇通过介绍JVM是什么&#xff0c;认识JVM的内存区域的划分&#xff0c;了解类加载过程&#xff0c;JVM中垃圾回收机制&#xff0c;从中了解到垃圾回收机制中如何找到存活对象的方式&#xff0c;引用计数与可达性分析的方式&#xff0c;再释放垃圾对象时使用的方式&…

Kerberos协议详解

0x01 kerberos协议的角色组成 Kerberos协议中存在三个角色&#xff1a; 客户端(Client)&#xff1a;发送请求的一方 服务端(Server)&#xff1a;接收请求的一方 密钥分发中心(Key distribution KDC) 密钥分发中心分为两个部分&#xff1a; AS(Authentication Server)&…

Nacos (2.0版本之后)状态异常集群节点状态异常

在nacos 2.0 之后正常部署后节点状态仅有一个正常,其余均为DOWN 或者SUSPICIOUS 状态 查看日志后发现 ERROR Server check fail, please check server 192.168.172.104 ,port 9849 is available , error {} 其实是nacos 相互之间不能正常通信造成的,nacos客户端升级为2.x版…

apple pencil一代的平替有哪些品牌?苹果平板的触控笔

随着苹果Pencil系列的推出&#xff0c;平替电容笔在国内市场得到了较好的发展&#xff0c;随之的销量&#xff0c;也开始暴涨&#xff0c;苹果pencil因为价格太高&#xff0c;导致很多人买不起。目前市场上&#xff0c;有不少的平替电容笔&#xff0c;可以替代苹果的Pencil&…

MySQL 主从复制与读写分离

MySQL 主从复制与读写分离 一、mysql读写分离的概念1、什么是读写分离&#xff1f;2、为什么要读写分离呢&#xff1f;3、什么时候要读写分离&#xff1f;4、主从复制与读写分离5、mysql支持的复制类型 二、主从复制的工作过程三、MySQL 读写分离原理常见的 MySQL 读写分离分为…

【Distributed】分布式ELK日志文件分析系统(二)

文章目录 一、FilebeatELK 部署1. 环境部署2. 在 Filebeat 节点上操作2.1 安装 Filebeat2.2 设置 filebeat 的主配置文件 3. 在 Apache 节点上操作3.1 在 Logstash 组件所在节点上新建一个 Logstash 配置文件 3. 启动3.1 在Logstash 组件所在节点启动3.2 在 Filebeat 节点 启动…

Stable Diffusion 用2D图片制作3D动态壁纸

如果想让我们的2D图片动起来可以使用stable-diffusion-webui-depthmap-script插件在SD中进行加工让图片动起来。 这是一个可以从单个图像创建深度图,现在也可以生成3D立体图像对的插件,无论是并排还是浮雕。生成的结果可在3D或全息设备(如VR耳机或Looking Glass显示器)上查…

大模型加速学科升级,飞桨赋能北邮“X+大模型”特色小学期

在人工智能时代&#xff0c;设计师与产品经理比以往更加需要关注一个事实&#xff1a;那就是如何利用人工智能和数据分析技术&#xff0c;打造让用户心动的信息交互产品和用户体验&#xff0c;释放人-机协同共创的巨大潜能&#xff0c;是决定设计产能和竞争力的关键。 在产业的…

RabbitMQ ---- 消息队列

RabbitMQ ---- 消息队列 1. MQ 的相关概念1.1 什么是 MQ1.2 为什么要用 MQ1.3 MQ 的分类1.4 MQ 的选择 2. RabbitMQ2.1 RabbitMQ 的概念2.2 四大核心概念2.3 RabbitMQ 核心部分2.4 各个名词介绍2.5 安装 1. MQ 的相关概念 1.1 什么是 MQ MQ(message queue)&#xff0c;从字面…

爬虫之Scrapy

一 介绍 Scrapy一个开源和协作的框架&#xff0c;其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的&#xff0c;使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛&#xff0c;可用于如数据挖掘、监测和自动化测试等领域&#x…

什么是Docker

容器技术和虚拟机 虚拟机 和一个单纯的应用程序相比&#xff0c;操作系统是一个很重的程序&#xff0c;刚装好的系统还什么都没有部署&#xff0c;单纯的操作系统其磁盘占用至少几十G起步&#xff0c;内存要几个G起步。 在这台机器上开启三个虚拟机&#xff0c;每个虚拟机上…

PSI算法经典论文算法概述

文章目录 什么是隐私求交PSIPSI协议分类PSI算法的分类基于哈希函数的PSI算法基于不经意传输&#xff08;OT&#xff09;的 PSI算法基于GC的PSI算法基于公钥加密的PSI算法基于DH的PSI算法基于RSA盲签名的PSI算法基于同态加密的PSI算法 基于差分隐私的PSI算法 总结参考文献 什么是…

为了实现上网自由,我做了一个多功能串口服务器

项目作者&#xff1a;小华的物联网嵌入式之旅 介绍&#xff1a;从事电气自动化行业&#xff0c;多次获得物联网设计竞赛&#xff0c;爱好嵌入式设计开发&#xff0c;物联网开发。 设计方案思路的由来&#xff0c;是因为我们现在的开发板基本需要通过串口与WIFI模组或以太网模…

[Linux] 最基础简单的线程池 及其 单例模式的实现

本篇文章主要用到线程相关内容, 下面是博主关于线程相关内容的文章: [Linux] 线程同步分析&#xff1a;什么是条件变量&#xff1f;生产者消费者模型是什么&#xff1f;POSIX信号量怎么用&#xff1f;阻塞队列和环形队列模拟生产者消费者模型 [Linux] 线程互斥分析: 多线程的问…

华为、阿里巴巴、字节跳动 100+ Python 面试问题总结(一)

系列文章目录 个人简介&#xff1a;机电专业在读研究生&#xff0c;CSDN内容合伙人&#xff0c;博主个人首页 Python面试专栏&#xff1a;《Python面试》此专栏面向准备面试的2024届毕业生。欢迎阅读&#xff0c;一起进步&#xff01;&#x1f31f;&#x1f31f;&#x1f31f; …

华为发布大模型时代AI存储新品

7月14日&#xff0c;华为发布大模型时代AI存储新品&#xff0c;为基础模型训练、行业模型训练&#xff0c;细分场景模型训练推理提供存储最优解&#xff0c;释放AI新动能。 企业在开发及实施大模型应用过程中&#xff0c;面临四大挑战&#xff1a; 首先&#xff0c;数据准备时…

剑指offer刷题笔记--Num41-50

1--数据流中的中位数&#xff08;41&#xff09; 主要思路&#xff1a; 维护两个优先队列&#xff0c;Q1大数优先&#xff0c;存储比中位数小的数&#xff1b;Q2小数优先&#xff0c;存储比中位数大的数&#xff1b; 当存储的数为偶数时&#xff0c;Q1.size() Q2.size(), 中位…

解决github无法拉取submodule子模块的问题

引言 当使用git clone --recursive url 拉取一个配置了子模块的仓库后&#xff0c;会卡住。 同时在使用git clone 拉去https的url时&#xff0c;同样可能会出现一直卡在cloning int reposity...本文提供一个简单的脚本来解决该问题。 前置准备 需要配置好git的相关配置&…