知道源代码就可以加载AI吗？

以下是使用已公布的源代码拥有一个私人 AI 的详细步骤，适合小白操作，并列出所需的硬件设施： 硬件设施： 云服务器 步骤： 1. 利用云服务器，在宝塔面板的终端安装相关命令。可通过以下链接获取详细信息：https://docs.dify.ai/v/zhhans/gettingstarted/installselfhosted/dockercompose 。这些命令在宝塔面板的终端安装，安装的 dockercompose 文件位于 /root/dify/docker 目录下。 2. 检查运行情况，使用 docker compose ps 命令，如果 nginx 容器无法运行，可能是 80 端口被占用。将终端输出的代码粘贴给 AI ，按照 AI 的方法检查谁占用了端口，并停止占用进程。确保每一步成功后再进行下一步，可将代码复制询问 AI 以确认。 3. 在浏览器地址栏输入公网 IP（可在腾讯云服务器或宝塔面板地址栏查看，去掉后面的:8888），随便填写邮箱密码建立一个知识库，在知识库中选择设置。 4. 选择模型，国内模型通常有免费额度，例如智谱 AI 。点击设置，从智谱 AI 获取钥匙，进入智谱官网用手机号注册，添加 API keys 并复制。查看免费额度（智谱在资源包管理中查看，赠送 500 万一个月）。 5. 回到之前的页面，复制钥匙并保存，随便创建一个应用。 6. 可以先选择智谱 glm4 进行测试，聊两句看是否有回应，然后点击发布。 7. 点击 api 秘钥，创建一个并复制。

目前已公布的源代码种类繁多，要利用其拥有一个私人 AI 并非简单直接的过程，且需要一定的技术知识和经验。 一般来说，以下是大致的步骤： 1. 选择合适的源代码：根据您的需求和技术能力，从众多已公布的源代码中选择适合的项目。 2. 环境搭建：安装所需的开发工具、编程语言和相关依赖库。 3. 数据准备：收集和整理适合训练和优化模型的数据。 4. 代码理解与修改：深入理解所选源代码的结构和逻辑，根据您的需求进行必要的修改和优化。 5. 训练模型：使用准备好的数据对模型进行训练。 6. 评估与优化：对训练好的模型进行评估，根据评估结果进行进一步的优化。 关于硬件设施，Jetson Orin Nano 是一款性能不错的嵌入式计算设备。它可以支持多种模型，例如常见的深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）等。但具体能使用哪些模型，还取决于模型的规模、计算需求以及您对性能和资源的要求。

以下是关于强化学习的开源代码入门指南： 1. 基础知识准备： 若概率论和线性代数基础薄弱，可利用周末约一天时间学习相关课程，若不关注公式可忽略。 若机器学习基础为零，先看吴恩达课程，再以李宏毅课程作补充，若仅为入门强化学习，看李宏毅课程前几节讲完神经网络部分即可，此课程约需 25 小时。 2. 动手实践： 跟随《动手学深度学习 https://hrl.boyuai.com/》学习并写代码，入门看前五章，约 10 小时。 观看 B 站王树森的深度学习课程前几节学习强化学习基础知识点，约 5 小时。 3. 项目实践： 参考《动手学强化学习》（已开源 https://hrl.boyuai.com/），看到 DQN 部分，约十几小时。 模型构建：DQN 的网络模型采用一层 128 个神经元的全连接并以 ReLU 作为激活函数，选用简单的两层网络结构。 缓存区：需要一个缓存区来存放从环境中采样的数据。 训练函数：批量从缓存区获取数据，使用 DQN 算法进行训练。 主循环函数：在每个 episode 中，选择一个动作（使用 εgreedy 策略），执行该动作，并将结果存储在 replay buffer 中。训练完使用保存好的 model.pth 参数即可实际使用。 4. Qlearning 算法： 比如在状态 s1 上，根据 Q 值表选择行动，如发现向下行动 Q 值最大则向下走。获取 Q（s1，下）乘上衰减值 gamma（如 0.9）并加上到达下一个状态的奖励 R，作为“Q 现实”，之前根据 Q 表得到的是“Q 估计”。通过公式更新 Q（s1，下）的值，公式为：。 算法流程：初始化 Q，for 序列 e = 1 > E do: 用 ε Greedy 策略根据 Q 选择当前状态 s 下的动作 a，得到环境反馈的 r，s‘，得到初始状态 s，for 时间步 t = 1> T do: ，End for，End for。启动程序训练 100 次后可较好进行游戏。

以下是关于强化学习的开源代码入门指南： 1. 基础知识准备： 若概率论和线性代数基础薄弱，可在周末约一天时间学习相关课程，若不关注公式可忽略。 若机器学习基础薄弱，先看吴恩达课程，再以李宏毅课程作补充，若仅为入门强化学习，看李宏毅课程前几节讲完神经网络部分即可，此视频课程约需 25 小时。 2. 动手实践： 跟随《动手学深度学习 https://hrl.boyuai.com/》动手学习概念并写代码，入门看前五章，约 10 小时。 观看 B 站王树森的深度学习课程前几节学习强化学习基础知识点，约 5 小时。 3. 项目实践： 参考《动手学强化学习》（已开源 https://hrl.boyuai.com/），看到 DQN 部分，约十几小时。 模型构建：DQN 的网络模型采用一层 128 个神经元的全连接并以 ReLU 作为激活函数，选用简单的两层网络结构。 数据缓存：需要一个缓存区来存放从环境中采样的数据。 训练函数：批量从缓存区获取数据，使用 DQN 算法进行训练。 主循环函数：在每个 episode 中，选择一个动作（使用 εgreedy 策略），执行该动作，并将结果存储在 replay buffer 中。训练完使用保存好的 model.pth 参数即可实际使用。 4. Qlearning 算法流程： 初始化 Q。 for 序列 e = 1 > E do: 用 ε Greedy 策略根据 Q 选择当前状态 s 下的动作 a，得到环境反馈的 r，s‘，得到初始状态 s。 for 时间步 t = 1> T do: End for。 End for。 例如，在当前智能体处于 s1 状态时，会在表中找最大 Q 值对应的行动。获取 Q（s1，下）乘上衰减值 gamma（如 0.9）并加上到达下一个状态时的奖励 R，作为现实中 Q（s1，下）的值（即“Q 现实”），之前根据 Q 表得到的 Q（s1，下）是“Q 估计”。有了“Q 现实”和“Q 估计”，可按公式更新 Q（s1，下）的值。公式中，α是学习率，γ是对未来 reward 的衰减值。启动程序训练 100 次后可较好地进行游戏。

以下是一些关于 AI 相关技术的开源代码应用： VALLEX：一个开源的多语言文本到语音合成与语音克隆模型。它支持多种语言（英语、中文和日语）和零样本语音克隆，具有语音情感控制和口音控制等高级功能。VALLE X 最初由微软发布，但未发布任何代码或预训练模型。作者复现并训练了一个开源可用的 VALLE X 模型。 对于 AI 生成 CAD 图，您可以参考以下方面获取相关资料： 学术论文：通过 Google Scholar、IEEE Xplore、ScienceDirect 等学术数据库进行搜索。 专业书籍：查找相关的专业书籍。 在线课程和教程：参加 Coursera、edX、Udacity 等平台上的 AI 和 CAD 相关课程，以及在 YouTube 等视频平台上查找教程和演示视频。 技术论坛和社区：加入如 Stack Overflow、Reddit 的 r/AI 和 r/CAD 等，与专业人士交流学习。 开源项目和代码库：探索 GitHub 等开源平台上的 AI 和 CAD 相关项目，例如 OpenAI 的 GPT3、AutoGPT 等 AI 模型在 CAD 设计中的应用。 企业案例研究：研究 Autodesk、Siemens 等公司在 AI 在 CAD 设计中的应用案例。 阿里云最新开源模型 FunAudioLLM：包括 SenseVoice 用于高精度多语言语音识别、情感识别和音频事件检测，CosyVoice 用于自然语音生成，具有多语言、音色和情感控制等功能。相关模型已在 Modelscope、HuggingFace 开源，训练、推理和微调代码在 GitHub 上发布。

以下是清华 104 页 AI 使用指南的相关内容： 智能纪要部分： 共学课程涵盖 config UI 从入门到精通，还有个人专栏研究报告、产品数据、全球投融资情况等内容，做项目时可查看细分赛道融资情况，也可学习 AI 功能创业，介绍了企业专栏内容如 Kimi 的技巧等。 提到了 AI 的案例和投稿，包含开发相关、微信机器人、人物角色等内容，还有日报动态、法律法规、历史更新和社区介绍等，布置了关于 AI 兴趣方向的小作业。 介绍了 CONFIUI 生态大会东京站 11 月 16 17 日的活动内容及报名，包括社区共创项目、大奖、首届活动情况、海外创作者共学等。 总结了关于 AI 知识库使用及 AIPO 活动的介绍，包括使用情况、发起背景、内容安排及相关资源等；AIPO 线下活动及 AI 相关探讨，包括规则、玩法、重要地位和研究方向等；way to AGI 社区活动与知识库介绍，包括活动安排、材料准备、使用和内容更新等；还包括时代杂志评选的领军人物、AI 相关名词解释、知识库的信息来源、社区共创项目、学习路径、经典必读文章、初学者入门推荐、历史脉络类资料等。 介绍了 AI 相关技术与活动，如 AI 音乐创作、数字人语音合成、config UI 的应用，以及社区共创项目如东京的 confii 生态大会、AI 文旅视频、娃卡奖、李普村共创故事、AI 春晚等，还有作业与报名、线下寄送物料组织活动、AI 春晚即将开始、AIPO 活动及相关挑战、共学活动与技能提升、硬件机器人材料购买、自媒体发布与流量扶持、活动奖项与历史玩法、工具使用与新大赛预告等。

以下是一些在剧本创作中可以使用的 AI 工具： 1. 文本生成工具：如 GPT4、Claude、Kimi、智谱清言、文心一言等，可帮助生成故事创意、角色台词等。 2. 视频工具： Pika、Pixverse、Runway、SVD 可用于视频创作。 Junie 在电影制作中使用了多种工具，包括 AI 图像生成工具如 Stable Diffusion、Midjourney v5.2、DALL·E；AI 动画工具如 Pika、Runway、Deforum；口型同步工具 DID；AI 旁白工具 ElevenLabs；剪辑工具 Premiere；文字翻译工具 ChatGPT。 3. 图像工具：Stable Diffusion、Midjourney v5.2 可生成富有想象力的角色和场景等画面。 4. 声音工具：可用于背景音乐、音效、角色配音、声音克隆等。 在剧本创作过程中，除了使用工具，还需要注重故事的原创性和改编，可从自身或他人的经历、经典 IP 等获取灵感。同时，多实践、多与他人讨论也是提升剧本质量的重要方式。

以下是一些常用于剧本创作的 AI 工具： 1. 文字生成方面：GPT4、Claude、Kimi、智谱清言、文心一言等，可用于生成剧本的文字内容。 2. 图像生成：Stable Diffusion、Midjourney v5.2、DALL·E 等，能为剧本创作提供灵感和视觉参考。 3. 视频相关：Pika、Runway、Deforum 等，可用于生成视频片段。 4. 音频方面：ElevenLabs 可用于生成旁白等音频内容。 5. 剪辑工具：Premiere、剪映等，用于对视频进行剪辑和后期处理。 在剧本创作过程中，还可以参考以下方法和思路： 1. 故事来源：可以从原创（如自身或周围人的经历、做过的梦、想象的故事等）或改编（如经典 IP、名著、新闻、二创等）入手。 2. 写作方法：编剧是有一定门槛的手艺，不要单纯套剧作理论和模板，要多写多实践，再结合看书总结经验。对于短片创作，可以从自身或朋友的经历改编入手，或者对触动自己的短篇故事进行改编。多与他人讨论故事，有助于修改和进步。 3. 项目脚本方面：例如画小二团队在《李清照》AI 视频创作中，文字使用 GPT 脚本，图片使用 Midjourney，视频使用 Runway，音频使用 ElevenLabs 和剪映，剪辑使用剪映，还用到了 PS、AE 等其他工具。同时，在故事创作时，可以按照特定的模板生成 Prompt，包括标题、设置、主角、反派角色、冲突、对话、主题、基调、节奏等方面，并分章节生成小说目录。

以下是关于 AI 生图的详细教程： 一、Liblibai 简易上手教程 1. 定主题：明确您想要生成的图片主题、风格和表达的信息。 2. 选择 Checkpoint：根据主题选择贴近内容的 Checkpoint，如麦橘、墨幽的系列模型。 3. 选择 lora：寻找与生成内容重叠的 lora，以控制图片效果和质量。 4. 设置 VAE：选择 840000 那一串。 5. CLIP 跳过层：设为 2。 6. Prompt 提示词：用英文写需求，使用单词和短语组合，用英文半角逗号隔开，无需考虑语法和长句。 7. 负向提示词 Negative Prompt：同样用英文单词和短语组合，用英文半角逗号隔开。 8. 采样方法：一般选 DPM++2M Karras，也可参考模型作者推荐的采样器。 9. 迭代步数：使用 DPM++2M Karras 时，在 30 40 之间，过多意义不大且慢，过少出图效果差。 10. 尺寸：根据个人喜好和需求选择。 11. 生成批次：默认 1 批。 二、AI 线上绘画教程 1. 背景：工作中需要大量图片时，AI 生图是高效解决办法，主流工具如 midjourney 付费成本高，stable diffusion 硬件门槛不低，可选择免费在线 SD 工具网站如。 2. 目标：让入门玩家在半个小时内自由上手创作绘图。 3. 注意事项：本教程适用于入门玩家，若有疑问可在评论区联系或加微信 designurlife1st 沟通，教程内容会持续更新。 三、Tusiart 简易上手教程 1. 图生图：上传图片后，sd 根据图片、模型、prompt 等信息重绘，重绘幅度越大，输出图与输入图差别越大。 2. 尺寸：太小生成内容有限，太大 AI 易放飞自我，如需高清图，可设中等尺寸并用高分辨率修复。 3. 采样算法：即让 AI 用何种算法生图。 4. 采样次数：次数越多调整越精密，效果理论上更好但耗时越长，并非越多越好。 5. 提示词相关性：数字增大图像更接近提示词，但过高会使图像质量下降。 6. 随机种子 seed：固定种子可对图片进行“控制变量”操作，首次生成图时无种子。 7. Clip Skip：一般设为 2，早期无需过多关注。 8. ENSD：eta 噪声种子增量，默认 0 即可。

AI 可以在一定程度上辅助商务服务，比如商标申请。商标申请要有区分度，能区分自家与别家产品，不像著作权需考虑独创性等。 关于 AI 作品的相关问题： 微链区块链存证流程： 登录方式：用微信扫码即可登录微链，登录后无需在个人中心完善信息。 存证选择：在页面左上角选择区块链存证，AI 作品一般选此选项。 信息填写：包括存证内容类型、存证附件、存证名称、作品作者、作品简介、著作权人等信息，著作权人可委托登记。 发表信息：填写发表地区、首次发表日期、权力取得方式等。 提交付款：确认存证上传，勾选并提交存证，手机扫码付款 10 元。 查看订单：在个人中心的版权订单中查看处理状态，处理完成后可在区块链版权存证处查看证书。 版权登记：带有 AI 性质或名字的作品无法做著作权登记，选择微链区块链存证有法律效应，且一次存证无需每年续费。 关于侵权问题： AI 生成肖像侵权：用他人著名肖像生成特定形象可能侵犯肖像权和名誉权，用自己肖像则相对安全。 AI 生成人脸相似侵权：若生成的人脸世界上不存在，侵权可能性小；若提示词相同且生成相似，可能侵权，需具体情况具体分析。 简单提示词作品版权：简单提示词生成的作品，法律可能不保护其版权，被搬运时难以有效维权。 以图生图的鉴定：若生成的图与原图看不出相同，一般不侵权，但用与原图无相似之处的图做底图的原因值得思考。 AI 生成音乐侵权：AI 音乐中歌词和旋律与某首歌有相似部分，是否侵权需多元素、多因素整体判断，如相似部分占比、整体结构等。 使用逝者肖像：逝者肖像权永远受保护，使用需谨慎，未造成不良影响且增益的情况下权利人可能不追究。

以下是一些适用于写微信小程序的 AI 代码助手推荐： 1. DIN： 搭建 OneAPI 以汇聚整合多种大模型接口。 搭建 FastGpt 作为知识库问答系统。 搭建 chatgptonwechat 接入微信，并配置 FastGpt 把知识库问答系统接入到微信。 2. Cursor： 可通过任意 AI 工具获得代码，专业代码模型表现更优。 网址：https://www.cursor.com/ 3. Deepseek（新手推荐）： 网址：https://www.deepseek.com/zh 方便获取游戏代码，国内能访问，网页登录方便，目前完全免费。 4. 通义灵码： 在 Pytharm 中，“文件”“设置”“插件”红色框位置搜索“通义灵码”进行安装（目前免费）。 5. JetBrains 自身的助手插件： 在 Pytharm 中，“文件”“设置”“插件”红色框位置搜索“Jetbrains AI assistant”进行安装（收费，目前有 7 天免费试用）。 6. Marscode 及 Tencent cloud AI code Assistant 等。 7. 无影的晓颖 AI 助手： 内置在云电脑里，使用流畅，但需要在无影的云电脑中。 需要注意的是，不同的 AI 代码助手在生成特定代码时可能有不同的表现，您可以根据自己的需求和实际使用体验进行选择。

以下是为您生成的 Python 代码示例，用于实现将样本的扰动分为 0、0.001、0.003、0.005 四类的分类器： ```python import numpy as np 第一步：导入需要的库 import numpy as np 第二步：加载数据 data = np.load 第三步：获取数据样本的扰动值 perturbation_values = data 假设扰动值在第二列 第四步：判断扰动值的大小并计数 count_0 = 0 count_0_001 = 0 count_0_003 = 0 count_0_005 = 0 for value in perturbation_values: if value == 0: count_0 += 1 elif value == 0.001: count_0_001 += 1 elif value == 0.003: count_0_003 += 1 elif value == 0.005: count_0_005 += 1 第五步：计算正确率 total_samples = len accuracy_0 = count_0 / total_samples accuracy_0_001 = count_0_001 / total_samples accuracy_0_003 = count_0_003 / total_samples accuracy_0_005 = count_0_005 / total_samples print print print print ```

要使用 Langchain 加载本地模型，您可以按照以下步骤进行： 1. 加载所需的库和模块，例如 feedparse 用于解析 RSS 订阅源，ollama 用于在 Python 程序中跑大模型。使用 ollama 前请确保服务已经开启并下载好模型。 2. 从订阅源获取内容，通过特定函数从指定的 RSS 订阅 URL 提取内容，若需接收多个 URL 稍作改动即可。然后使用专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，如标题、发布日期和链接，最终将这些文档合并成一个列表用于后续处理。 3. 为文档内容生成向量，使用文本向量模型 bgem3。从 hf 下载好模型后，假设放置在某个路径 /path/to/bgem3，通过函数利用 FAISS 创建高效的向量存储。 在整个过程中，还需要了解以下相关知识： 1. RAG（Retrieval Augmented Generation）：大模型训练数据有截止日期，当需要依靠不在训练集中的数据时，可通过检索增强生成。RAG 应用包括文档加载（从多种来源加载文档，LangChain 提供 100 多种文档加载器）、文本分割（把文档切分为指定大小的块）、存储（将切分好的文档块嵌入并存储到向量数据库）、检索（通过检索算法找到与输入问题相似的嵌入片）、输出（把问题及检索出的嵌入片提交给 LLM 生成答案）。 2. Ollama：支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，易于使用，适用于 macOS、Windows 和 Linux 系统，支持 cpu 和 gpu，提供模型库，用户可下载不同模型，还支持自定义模型、提供 REST API 用于运行和管理模型及与其他应用程序集成，社区贡献丰富。安装完后确保后台服务已启动，可通过 ollama list 确认，通过 ollama 命令下载模型。

SD 大模型无法加载可能有以下原因及解决方法： 1. LORA 方面： LORA 可以提炼图片特征，文件通常有几十上百兆，承载信息量远大于 Embedding。下载的 LORA 放在根目录的【……\\models\\Lora】文件夹下，使用时点击红色小书，找到 LORA 选项卡加载。 使用 LORA 时要注意看作者使用的大模型，一般需配套使用，还可能需要加入特定触发词，如盲盒 LORA 需加入“full body, chibi”等提示词。 2. Hypernetworks 方面： Hypernetworks 主要针对画风训练，文件下载后放在根目录的【…\\models\\hypernetworks】，使用时点击红色小书，找到 Hypernetworks 选项卡加载。 3. 模型下载与安装方面： 常用的模型下载网站有：。 下载模型后需放置在指定目录，大模型（Ckpt）放入【models\\Stablediffusion】，VAE 模型放入【models\\Stablediffusion】或【models\\VAE】目录（有的大模型自带 VAE 则无需再加），Lora/LoHA/LoCon 模型放入【extensions\\sdwebuiadditionalnetworks\\models\\lora】或【models/Lora】目录，Embedding 模型放入【embeddings】目录。模型类型可通过检测。 不会科学上网时，可在启动器界面直接下载模型，将下载的大模型放在根目录的【……\\models\\Stablediffusion】，在左上角模型列表中选择（看不到就点旁边蓝色按钮刷新）。 旁边的 VAE 相当于给模型增加提高饱和度的滤镜和局部细节微调，可在启动器里下载，放在根目录的【……\\models\\VAE】。 Embedding 功能相当于提示词打包，下载 Embedding 可在 C 站通过右上角筛选 Textual Inversion 找到，放在根目录下的【embeddings】文件夹里。 由于无法确定您大模型无法加载的具体原因，您可以根据上述内容逐一排查。

加载别人训练的 qwen 模型通常涉及以下步骤： 1. 对于直接调用千问的某一个大模型，如“qwenmax”模型，在 COW 中需要更改 key 和 model。在 /root/chatgptonwechat/文件夹下，打开 config.json 文件进行更改，并添加"dashscope_api_key"。获取 key 可参考视频教程或图文教程。同时，需要“实名认证”后，这些 key 才可以正常使用，若对话出现“Access to mode denied.Please make sure you are eligible for using the model.”的报错，可能是未实名认证，可点击去，或查看自己是否已认证。 2. 部署大语言模型时，如下载 qwen2:0.5b 模型，对于不同的电脑系统操作有所不同。如果是 Windows 电脑，点击 win+R，输入 cmd 点击回车；如果是 Mac 电脑，按下 Command（⌘）+ Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。之后复制相关命令行并粘贴回车，等待自动下载完成。 3. 对于 Ollama 大模型部分，为避免没下载大模型带来的报错，需要先下载 ollama，网站：网站中复制代码，然后像特定操作一样打开 ComfyUi 根目录下的 custom_nodes\\ComfyUiOllamaYN 的文件路径，在上方的路径下输入 cmd，进入到下方的命令行，右键粘贴刚才的代码，等待下载即可。

加载开源模型的步骤如下： 1. 下载相关模型节省时间： Base Model DreamShaper XL Turbo: https://civitai.com/models/112902/dreamshaperxl LoRA：Envy Anime Watercolor XL 03：https://civitai.com/models/382684/envyanimewatercolorxl03 Alphonse Mucha Style：https://civitai.com/models/63072/alphonsemuchastyle 2. 打开以下链接放在后台： Ollama: https://ollama.com/ https://github.com/stavsap/comfyuiollama IPAdapter：https://github.com/cubiq/ComfyUI_IPAdapter_plus InstantID: https://github.com/cubiq/ComfyUI_InstantID PuLID：https://github.com/cubiq/PuLID_ComfyUI 3. 安装缺失节点： 下载过程中若发现 layer style 下不了，可重启重新下载，尝试修复。若仍不行，从官网重新下载到./custom_nodes 的文件夹下。 4. 从官网下载两个文件，点击左上角部分将加载器展开并选择官网下载好的两个模型。 5. 对于 GDino 加载器部分，在链接：处下载相关文件，然后检查文件是否齐全。对于 groundingdino 和 sams 配置是否齐全可以使用“抠头发.json”来检验。 6. Ollama 大模型部分： 首先，下载 ollama，网站： 其次，在网站中，复制代码。然后，打开 ComfyUi 根目录下的 custom_nodes\\ComfyUiOllamaYN 的文件路径，在上方的路径下输入 cmd，进入到命令行，右键粘贴刚才的代码，等待下载。

ControlNet 一直加载可能由以下原因导致及对应的解决方法： 1. 模型版本问题：确保 checkpoint、ContalNet 等所有需要加载模型的版本均基于 SD1.5，否则可能会报“超出索引”的错误。 2. 节点未安装完全：载入工作流后若出现爆红部分，可能是节点没下好、没下全。此时可以先全部更新，让所缺节点“显露出来”，然后安装好缺失的节点。 3. 参数设置问题：假如右下角的区域报红，那么就得根据报错信息相应调整一下左上角蓝色区域的 h、w 参数。 此外，ControlNet 还有一些新的功能和应用，例如： 1. 1.1 版本新出的 lineart 线稿提取功能，可先通过 invert 预处理将白底黑线处理成黑底白线，然后切换到 lineart 预处理器和模型进行生成。 2. mlsd 直线线条检测功能，一般用在建筑或者室内设计上，预处理器可提炼出室内的结构线。 ComfyUI 中的 ControlNet 高级控件： 在时间步和批处理潜变量之间调度 ControlNet 强度的节点，以及应用自定义权重和注意力掩码。这里的 ControlNet 节点完全支持滑动上下文采样。输入包括 positive（提示词（正面））、negative（提示词（负面））、control_net（加载了控制网络）、image（用于指导控制网络的图像）、mask_optional（应用于控制网络的注意力掩码）、timestep_kf（时间步关键帧）、latent_kf_override（潜在关键帧的覆盖）。

以下是关于 AI 的相关知识： 1. 基础方面： 背景知识：包括人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 2. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 3. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 4. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 关于 WaytoAGI 网站，它提供以下功能： 1. 和 AI 知识库对话：您可以在这里问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，可以复制到 AI 对话网站来使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 请注意，我只能为您提供与 AI 相关的知识和指导，对于其他非 AI 领域的内容，我的知识库中没有相关信息。

以下是在服务器进行 DeepSeek 本地部署的相关步骤： 1. 安装 AnythingLLM 软件：其安装地址为 https://useanything.com/download 。安装完成后进入配置页面，主要分为三步： 第一步：选择大模型。 第二步：选择文本嵌入模型。 第三步：选择向量数据库。 2. 构建本地知识库： 在 AnythingLLM 中创建自己独有的 Workspace 与其他项目数据进行隔离。 首先创建一个工作空间。 上传文档并且在工作空间中进行文本嵌入。 选择对话模式，AnythingLLM 提供了两种对话模式： Chat 模式：大模型会根据自己的训练数据和上传的文档数据综合给出答案。 Query 模式：大模型仅仅会依靠文档中的数据给出答案。 测试对话。 3. 实现联网版的 DeepSeek R1 大模型的核心路径：通过工作流 + DeepSeek R1 大模型。 4. 拥有扣子专业版账号：如果是普通账号，请自行升级或注册专业号后使用。 5. 开通 DeepSeek R1 大模型：访问地址 https://console.volcengine.com/cozepro/overview?scenario=coze ，打开火山方舟，找到开通管理，找到 DeepSeek R1 模型，点击开通服务，添加在线推理模型，添加后在扣子开发平台才能使用。 6. 创建智能体：点击创建，先完成一个智能体的创建。 需要注意的是，看十遍不如实操一遍，实操十遍不如分享一遍，如果您对 AI Agent 技术感兴趣，可以联系相关人员或者加免费知识星球（备注 AGI 知识库）。

以下为一些人物头像转卡通图效果好、与原图相似度高且可能免费的平台及相关操作技巧： 1. Stable Diffusion： 可以使用【X/Y/Z plot】脚本来做参数对比，将 X 轴设置为提示词相关性（取值范围 1 30，每次增加 5），Y 轴设置为重绘幅度（取值范围 0 1，每次增加 0.2）。 提示词相关性在 6 11 中间为最佳，重绘幅度 0.4 时和原图比较接近。 可使用绘图功能，如增加红色眼镜、去掉衣服图案等，局部重绘可只改变涂抹部分。 2. 复杂提示词： 如 Disney boy,Low saturation Pixar Super details,clay,anime waifu,looking at viewer,nighly detailedreflections transparent iridescent colors.lonctransparent iridescent RGB hair,art by Serafleurfrom artstation,white background,divine cinematic edgelighting,soft focus.bokeh,chiaroscuro 8K,bestquality.ultradetailultradetail.3d,c4d.blender,OCrenderer.cinematic lighting,ultra HD3D renderinoiw 1.5s 500v 5 。 可根据需求调整提示词，如将 Disney 换成 Pixar，boy 换成 girl 等。 3. 通用人物模版： 用真人照片+照片描述+方法 1 的关键词来处理。 需要注意的是，不同平台的效果可能因图片和操作而有所差异，您可以自行尝试。

以下是为您梳理的适合新手学习 AI 的应用方向、实操方法和避坑指南： 一、了解 AI 基本概念 1. 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 2. 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 二、开始 AI 学习之旅 1. 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 2. 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 三、选择感兴趣的模块深入学习 1. AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 2. 掌握提示词的技巧，它上手容易且很有用。 四、实践和尝试 1. 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 2. 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 五、体验 AI 产品 1. 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 六、如果希望继续精进 1. AI 背景知识 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 避坑指南： 1. 不要急于求成，AI 学习需要逐步积累。 2. 注重理论与实践结合，避免只学习理论而不进行实际操作。 3. 对于复杂的概念和算法，要多花时间理解，不要一知半解。 4. 在选择学习资源时，要注意其质量和适用性。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是了解 AI 最新发展动态的一些方法： 1. 持续学习和跟进：AI 是快速发展的领域，新的研究成果和技术不断涌现。您可以关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 2. 加入相关社群和组织：考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 3. 阅读权威报告：例如《2024 年度 AI 十大趋势报告》，此类报告通常会从技术、产品、行业等多个维度呈现 AI 的现状和未来走势，深入剖析前沿科技如何迭代技术能力、重塑商业版图、引领产业升级，并对未来路径进行前瞻性展望。 4. 关注权威媒体和学者：关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展，思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。

为避免写作中出现疑似 AI 生成的内容，您需要注意以下几点： 1. AI 容易“产生幻觉”并生成看似合理但可能错误的事实，因此您需要对其生成的内容进行全面检查。 2. 人工智能不会真正解释自己，当您要求其解释写作原因时，给出的答案可能是编造的。 3. 虽然 AI 能辅助写作，但它也可能被不道德地用于操纵或作弊，您要对其输出负责。 4. 即便有了 AI 辅助，写作仍需要我们具备分辨能力，知道好文章和好内容应具备的要素。写作不仅是文字堆砌，更是思维表达和情感流露，是人类独特智慧的体现。 5. 应利用润色工具提升写作能力，而非让其替代写作。 此外，还有一些相关的原文示例，如“Build a giant robot navy.All the villains do an army...Is it better?Not really.But it is distinctly mine.”等，强调了不能将 AI 作为默认写作方式，要保持自己的写作热情和思考能力。