Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

什么是深度学习

Answer

深度学习是源于新方法和策略的概念,旨在克服梯度消失问题以生成深层非线性特征层次,从而能够训练具有数十层非线性层次特征的体系结构。2010 年早期的研究表明,结合 GPUs 和激活函数能提供更好的梯度流,足以训练深层结构。深度学习不仅与学习深度非线性层次特征有关,还与学习检测序列数据中非常长的非线性时间依赖性有关。长短时记忆循环神经网络允许网络收集过去几百个时间步的活动以做出准确预测,自 2013 年以来其使用量迅速增长,与卷积网络一起构成了深度学习的两大成功案例之一。

Geoffrey Hinton 从高中时期就对大脑工作原理的相关理论着迷,并在求学期间继续对神经网络进行探索,经过三十多年的努力,将深度学习从边缘课题发展成为 Google 等网络巨头仰赖的核心技术。如今,包括 Hinton 在内的一些学者在互联网上大有名气,他们为各大公司使用深度学习技术改进相关工具做出了贡献。

此外,关于深度学习背后的深层数学,推荐 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著的《深度学习》一书,该书可在 https://www.deeplearningbook.org/ 上获取。

Content generated by AI large model, please carefully verify (powered by aily)

References

深度学习(1)核心概念

[title]深度学习(1)核心概念[heading2]核心概念[heading3]深度学习“深度学习”一词源于新的方法和策略,这些方法和策略旨在通过克服梯度消失的问题来生成这些深层的非线性特征层次,以便我们可以训练具有数十层非线性层次特征的体系结构。在2010年早期,有研究表明,结合GPUs和[激活函数](https://developer.nvidia.com/zh-cn/blog/deep-learning-nutshell-core-concepts/#activation-function)提供更好的梯度流,足以在没有重大困难的情况下训练深层结构。从这里开始,人们对深入学习的兴趣与日俱增。深度学习不仅与学习深度非线性层次特征有关,还与学习检测序列数据中非常长的非线性时间依赖性有关。虽然大多数其他处理顺序数据的算法只有最后10个时间步的内存,[长短时记忆](https://developer.nvidia.com/blog/parallelforall/deep-learning-nutshell-sequence-learning#LSTM)[循环神经网络](https://developer.nvidia.com/blog/parallelforall/deep-learning-nutshell-sequence-learning#recurrent-neural-networks)(由Sepp Hochreiter和J ü rgen-Schmidhuber在1997年发明)允许网络收集过去几百个时间步的活动,从而做出准确的预测。虽然LSTM网络在过去10年中大多被忽视,但自2013年以来,LSTM网络的使用量迅速增长,与卷积网络一起构成了深度学习的两大成功案例之一。

微软AI初学者入门课程

[title]微软AI初学者入门课程特定的机器学习云框架。例如[Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-cacaste),[Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum),或[Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-cacaste)。如有需要,考虑以下课程:《[使用Azure Machine Learning构建和运行机器学习解决方案](https://learn.microsoft.com/en-us/training/paths/explore-azure-machine-learning-workspace/?WT.mc_id=academic-77998-cacaste)》、《[使用Azure Databricks构建和运行机器学习解决方案](https://learn.microsoft.com/en-us/training/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-cacaste)》。对话式人工智能和聊天机器人。这方面有一个单独的课程《[创建对话式人工智能解决方案](https://learn.microsoft.com/en-us/training/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-cacaste)》,你也可以参考[这篇博文](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/)了解更多详情。深度学习背后的深层数学(Deep Mathematics)。关于这一点,我们推荐Ian Goodfellow、Yoshua Bengio和Aaron Courville合著的《深度学习》(Deep Learning)一书,该书可在https://www.deeplearningbook.org/上获取。

Geoffrey Hinton 是这个人,一步步把“深度学习”从边缘课题变成Google等网络巨头仰赖的核心技术

[title]Geoffrey Hinton是这个人,一步步把“深度学习”从边缘课题变成Google等网络巨头仰赖的核心技术王晨推荐早在1960年代,Geoffrey Hinton的高中时期,就有一个朋友告诉他,人脑的工作原理就像全息图一样。创建一个3D全息图,需要大量的记录入射光被物体多次反射的结果,然后将这些信息存储进一个庞大的数据库中。大脑储存信息的方式居然与全息图如此类似,大脑并非将记忆储存在一个特定的地方,而是在整个神经网络里传播。Hinton为此深深的着迷。对Hinton来说,这是他人生的关键,也是他成功的起点。“我非常兴奋,”他回忆到,“那是我第一次真正认识到大脑是如何工作的”。在高中时代谈话的鼓舞之下,Hinton在他的求学期间,在剑桥大学以及爱丁堡大学继续他的神经网络的探索。在80年代早期,他就参与了一个雄心勃勃的关于使用计算机的软硬件来模拟大脑的研究,这形成了早期的AI的一个分支,也就是我们现在所说的“深度学习”。三十多年的努力,深度学习已成为学术界炙手可热的课题。现如今,Hinton和他的深度学习小团队,包括纽约大学的Yann LeCun教授,蒙特利尔大学的Yoshua Bengio教授,在互联网上已然大有名气。作为多伦多大学的教授和研究员,Hinton也同时为Google工作,使用深度学习技术来改进语音识别,图像标记和其他在线工具。LeCun也在Facebook从事类似的工作。AI风靡全球,微软,IBM,百度和许多网络巨头都为之着迷。在剑桥大学的心理学专业的本科学习当中,Hinton发现,科学家们并没有真正理解大脑。人类大脑有数十亿个神经细胞,它们之间通过神经突触相互影响,形成极其复杂的相互联系。然而科学家们并不能解释这些具体的影响和联系。神经到底是如何进行学习以及计算的,对于Hinton,这些正是他所关心的问题。

Others are asking
我需要一款免费的AI软件 可以帮助我将网课视频内容进行深度总结,并形成听课笔记和思维导图
以下为您推荐两款可能满足您需求的免费 AI 软件: 1. 360AI 浏览器: 功能 1:看长视频,敲黑板划重点。可以帮您观看 B 站的字幕视频,短短几秒就能总结概要生成脑图,告诉您视频的重点和高潮剧情在哪。例如用 360AI 浏览器观看《2007 年 iPhone 发布会》,能生成内容摘要和思维导图,视频全程 20 个看点,点击其中任一看点,就能定位到进度条对应位置,直接观看感兴趣的重点内容。还可以对英文字幕进行翻译,帮助您理解内容。同时可通过 AI 助手对话,就视频内容进行追问和扩展提问。 功能 2:阅读国内外长论文和著作,自动翻译自动提炼,3 分钟 get 要点。目前支持 360k 长文本阅读。以《三体》为例,360AI 浏览器可以呈现《三体》两册完整的故事框架,还支持生成思维导图。 官网地址:ai.se.360.cn 2. Boardmix 博思 AI 白板:在 12 月数据国内总榜中,其属于思维导图分类。
2025-02-14
什么是深度学习
深度学习是源于新的方法和策略,旨在通过克服梯度消失问题来生成深层的非线性特征层次,以训练具有数十层非线性层次特征的体系结构。2010 年早期的研究表明,结合 GPUs 和激活函数能提供更好的梯度流,便于训练深层结构。深度学习不仅与学习深度非线性层次特征有关,还与学习检测序列数据中非常长的非线性时间依赖性有关。例如,长短时记忆循环神经网络允许网络收集过去几百个时间步的活动,从而做出准确的预测。自 2013 年以来,其使用量迅速增长,与卷积网络一起构成了深度学习的两大成功案例之一。 深度学习是使用不同类型神经网络的表征学习,通过优化网络的超参数来获得对数据的更好表征。其突破性研究成果包括反向传播、更好的初始化网络参数等。 在相关技术名词中,深度学习是一种参照人脑有神经网络和神经元(因有很多层所以叫深度)的方法,神经网络可用于监督学习、无监督学习、强化学习。
2025-02-14
AI领域,传统机器学习,nlp,深度学习,大语言模型,rag,agent,请生成一张让普通人能看懂的AI领域概念图
以下是为您生成的 AI 领域概念图的相关解释: 人工智能(AI):一种目标,让机器展现智慧。 生成式人工智能(GenAI):一种目标,让机器产生复杂有结构的内容。 机器学习:一种手段,让机器自动从资料中找到公式,包括监督学习、无监督学习、强化学习。 监督学习:有标签的训练数据,学习输入和输出之间的映射关系,包括分类和回归。 无监督学习:学习的数据没有标签,算法自主发现规律,如聚类。 强化学习:从反馈里学习,最大化奖励或最小化损失。 深度学习:一种更厉害的手段,参照人脑有神经网络和神经元(因为有很多层所以叫深度),神经网络可用于多种学习方式。 大语言模型(LLM):是一类具有大量参数的“深度学习”模型。对于生成式 AI,生成图像的扩散模型不是大语言模型;对于大语言模型,生成只是其中一个处理任务,如谷歌的 BERT 模型可用于语义理解(不擅长文本生成),如上下文理解、情感分析、文本分类。 AIGC(Artificial Intelligence Generated Content):利用人工智能技术生成内容的新型生产方式,包括文本、图像、音频和视频等内容。 ChatGPT:一个应用实例,通过投喂大量资料预训练后,会通过聊天玩“文字接龙游戏”。它是美国 OpenAI 公司开发的一款基于大型语言模型(LLM)的对话机器人,能够根据用户的输入生成连贯且相关的文本回复。 2017 年 6 月,谷歌团队发表论文《Attention is All You Need》,首次提出了 Transformer 模型,它完全基于自注意力机制(SelfAttention)来处理序列数据,比 RNN 更适合处理文本的长距离依赖性。
2025-02-11
DeepSeek深度推理+联网搜索 目前断档第一
DeepSeek 深度推理+联网搜索目前断档第一,具有以下特点和成就: 发布了大一统模型 JanusPro,将图像理解和生成统一在一个模型中。 统一 Transformer 架构,使用同一个模型就能完成图片理解和生成。 提供 1B 和 7B 两种规模,适配多元应用场景。 全面开源,支持商用,MIT 协议,部署使用便捷。 Benchmark 表现优异,能力更全面。 模型(7B):https://huggingface.co/deepseekai/JanusPro7B 模型(1B):https://huggingface.co/deepseekai/JanusPro1B 官方解释:JanusPro 是一种新型的自回归框架,通过将视觉编码解耦为独立路径解决先前方法局限性,利用单一统一 Transformer 架构处理,缓解视觉编码器角色冲突,增强框架灵活性,超越之前统一模型,匹配或超过特定任务模型性能,成为下一代统一多模态模型有力候选者。 下载地址:https://github.com/deepseekai/Janus 官方频道: 微信公众号:DeepSeek 小红书:@DeepSeek(deepseek_ai) X DeepSeek R1 的成就: App Store 排名:冲到美国区 App Store 第一名,超越 OpenAI 的 ChatGPT。 口碑与技术实力:依靠技术实力和口碑赢得用户认可,没有市场部和市场投放。 技术特点: 性能与成本:效果比肩顶尖闭源模型 o1,价格仅为 o1 的 27 分之一。 开源与创新:开源让行业认知整体拉齐,得到全世界尊重和喜爱。 创新模型 R1 Zero:跳过监督微调训练,发现模型思考能力可自我涌现。 影响: 行业影响:引发美国科技界恐慌,Meta 内部对 DeepSeek V3 出色表现感到震惊。 市场影响:低成本和高性能使英伟达市场地位受挑战,股价短期内大跌超 3%,市值蒸发超 300 亿美元(27 日盘前又跌 14%)。 未来展望: 开源模型的进步将超越闭源模型,顶级模型推理价格急速下降,技术更加普惠平权。 AI 编程将随着模型能力提高显著提升效率并降低门槛,AI 创作能力不断提升,催生更多 AI 创作的可消费内容形式。
2025-02-08
我需要你给我生成一些提示词,我会给你我想的想法。《》以内的是想法。《我想写一篇影视解说的文案,写作的视角以我,第一人称的视角来写。想要风格偏幽默风趣一点,就像跟朋友在讲述一样,可以模仿鲁迅先生的手法。而且还想把影片的剧情内容写出来,从开篇到电影的结尾,如果有需要保留原片的地方,请把原片的画面场景以及时间段描述出来。要求这篇文案要附上我自己的内心独白,以此引人深思!请你深度思考后,在做答复!要求字数不少于5000字。》请问我该如何写提示词?请你整理好提示词后发给我
以下是为您生成的一些提示词,希望对您有所帮助: 影视解说文案提示词 1. 以第一人称幽默风趣的口吻,像与朋友讲述般,描绘影片从开篇到结尾的精彩剧情,融入自己的内心独白,模仿鲁迅先生的手法,展现独特的视角和深刻的思考。 2. 用轻松幽默的语言,以我的视角详述影片情节,穿插搞笑的评论和内心想法,借鉴鲁迅先生的讽刺技巧,使解说引人入胜。 3. 以亲切自然的叙述方式,如同与好友聊天,讲述影片故事,从开头至结束,结合鲁迅先生的文风,加入个人的情感起伏和独特见解。 DALL·E 相关提示词 1. 绘画:提及颜料种类、画布纹理和笔触形状/纹理(列表)。 2. 数字:注明使用的软件、阴影技术和多媒体方法(列表)。 3. 基于详细提示使用 DALL·E 3 生成图像,让创意鲜活起来,为提示的每个元素做出大胆有趣的选择。 4. 遵循提示指南,提出四个全新的简单概念,而非完整提示,从上次给出的建议中获取灵感。 请注意,默认方面比率为正方形(1:1),默认风格为摄影,包括相机设置、摄影类型和设备。同时,避免违反服务条款的词汇或概念,不侵犯版权,不使用暗示性或露骨的图像,强调符合 G 级评级的元素。
2025-02-06
什么是深度神经网络
深度神经网络是机器学习文献中的一类模型,受到生物神经网络的启发。一般来说,深度神经网络可分为以下几类: 1. 前馈神经网络:这是实际应用中最常见的类型。第一层是输入,最后一层是输出。若有多个隐藏层,则称为“深度”神经网络。各层神经元的活动是前一层活动的非线性函数。 2. 循环网络:在其连接图中有定向循环,可能具有复杂动态,训练较难,但更具生物真实性。 深度神经网络具有以下特点和应用: 1. 可以计算一系列改变样本相似性的变换,几乎能应用于任何从输入到输出空间复杂映射的机器学习问题。 2. 能够用于模拟大脑工作方式、了解并行计算风格以及解决实际问题。 在其发展过程中,如感知机的出现推动了机器学习的问世,展示了其对简单形状分类的学习能力。神经网络本质上是多层感知机,早期只有输出层,而典型应用如分辨手写数字。 同时,在深度神经网络的研究中,还涉及到如深度玻尔兹曼机、受限玻尔兹曼机、深度信念网络等相关内容。但使用反向传播等方法存在需要有标签的训练数据、学习时间不理想、可能陷入局部最小等问题。
2025-02-03
我想学习可灵ai的提示词
以下是一些关于可灵 AI 提示词的相关资源和信息: 提示词模板相关网站: 生成新年场景的提示词示例: 戴着醒狮帽,双手抱拳,红色背景,新年喜庆。背景中有金粉,碎花,3d 爆竹显得热闹而喜庆 拿着"福"字,新年气氛,红色背景,新年喜庆。背景中有金粉,碎花,3d 爆竹显得热闹而喜庆 关于律师如何写好提示词用好 AI 的观点: 不能期待设计一个完美的提示词,然后 AI 百分百给到一个完美的符合要求的答案,中间不能有谬误,否则就是一个需要修复的“BUG”。 要给到 AI 的提示词实际上是一个关于此项问题的相对完善的“谈话方案”,真正的成果需要在对话中产生,并且在对话中限缩自己思维中的模糊地带。
2025-02-16
stable diffusion学习
以下是关于 Stable Diffusion 学习的相关内容: 一、为什么要学 Stable Diffusion 以及它的强大之处 简单来说,Stable Diffusion 是一个 AI 自动生成图片的软件。通过输入文字就能生成对应的图片,无需像以前那样画图或拍照。学习它非常简单,目的是花更少时间快速入门。如果时间充裕,了解其原理也可以。 二、学习 SD 的 Web UI 步骤 1. 安装必要的软件环境 安装 Git 用于克隆源代码。 安装 Python 3.10.6 版本,确保勾选“Add Python 3.10 to PATH”选项。 安装 Miniconda 或 Anaconda 创建 Python 虚拟环境。 2. 克隆 Stable Diffusion Web UI 源代码 打开命令行工具,输入命令 git clone https://github.com/AUTOMATIC1111/stablediffusionwebui.git,将源代码克隆到本地目录。 3. 运行安装脚本 进入 stablediffusionwebui 目录。 运行 webuiuser.bat 或 webui.sh 脚本,它会自动安装依赖项并配置环境。等待安装完成,命令行会显示 Web UI 的访问地址。 4. 访问 Web UI 界面 复制命令行显示的本地 Web 地址,在浏览器中打开,即可进入 Stable Diffusion Web UI 的图形化界面。 5. 学习 Web UI 的基本操作 了解 Web UI 的各种设置选项,如模型、采样器、采样步数等。 尝试生成图像,观察不同参数对结果的影响。 学习使用提示词(prompt)来控制生成效果。 6. 探索 Web UI 的扩展功能 了解 Web UI 支持的各种插件和扩展,如 Lora、Hypernetwork 等。 学习如何导入自定义模型、VAE、embedding 等文件。 掌握图像管理、任务管理等技巧,提高工作效率。 三、Stable Diffusion 的原理及相关组件 1. 在传统扩散模型中存在计算效率挑战,Stable Diffusion 是为解决此问题提出的新方法,最初称为潜在扩散模型。 2. Stable Diffusion 是扩散模型的变体,核心组件包括: CLIP:将用户输入的 Prompt 文本转化成 text embedding。 VAE EncoderDecoder。 UNET:进行迭代降噪,在文本引导下进行多轮预测。 此外,还涉及 ComfyUI 存放路径、不同的模型(如 SD1.5、SDXL)、训练方法(如 DreamBooth)、模型格式(如.pt 和.safetensor)、微调模型、融合模型等内容。
2025-02-16
AI作图学习
以下是关于 AI 作图学习的全面指导: 比赛要求: 参加由麦乐园和摩达社区发起的“AI 梦一单一世界”比赛,需用摩搭平台和麦橘超然模型作为底膜训练 Lora,提交训练好的 Lora 及用其生成的六张以上高质量、展现完整世界观的作品。 作图思路: 1. 明确创作主题即锚点,根据 Lora 风格确定创作方向。 2. 确定主体,联想主体的角色设定。 3. 增加叙事感,让画面有一到两个及以上角色,制造反差和联想。 图片构成因素: 好看的图片的构成因素包括构图、色彩以及光影。 创作有趣作品: 通过运用反差制造有冲击力的画面,创作出有叙事感和趣味性的作品。 构图相关: 1. 概念:构图指在框架或空间内元素的摆放位置、形状、物体形状及纹理等,好的构图能引导观看者并创造和谐平衡。 2. 分类:包括景别(远景、全景、中景、近景、特写)和拍摄视角(俯视、平视、仰视,正面、侧面、背面)。 3. 要素:有主体、陪体、前景、背景、点线面,合理运用可丰富画面。 4. 方式:如点中心构图、九宫格构图、三分法构图、对称构图、对角线构图、曲线构图、框架构图、三角形构图等。在 AI 绘图中,推荐中景及以上景别,全身景别可能需开 AD 跳以确保作图质量。 实操演示相关: 1. 趣味性与美感:趣味性通过反差、反逻辑、超现实方式带来视觉冲击,美感需在美术基础不出错前提下形式与内容结合。 2. 纹身图创作:强调人机交互,对输出图片根据想象进行二次和多次微调,确定情绪、风格等锚点再发散联想。 3. 提示词编写:用自然语言详细描述画面内容,避免废话词,Flux 对提示词的理解和可控性强。 4. 实操演示准备:以未发布的 Lora 为例,按赛题需求先确定中式或日式怪诞风格的创作引子。 5. 人物创作过程:从汉服女孩入手,逐步联想其颜色、发型、妆容、配饰、表情、背景等元素编写提示词。 6. 中式风格图像生成:包括人物(如穿蓝色汉服女孩的半身像,包括发型、妆容、服饰、配饰等特征,以及光线、环境等元素)、动物(如蛇、孔雀等,涉及颜色、姿态、所处环境等描述)、景观(如中式宫殿、桃花树等室外景观)图像的生成尝试及效果分析。 此外,还有个人学习经历分享,如二师兄在 2024 年 2 月接触 AI 绘画,3 月啃完 SD 的所有教程并开始炼丹,4 月与小伙伴探讨 AI 变现途径,5 月因工作变动开启无硬件支持的 AI 学习之路,并加入 Prompt battle 社群学习 Midjourney。
2025-02-16
全不懂AI的人怎么学习AI?
对于完全不懂 AI 的人,以下是一些学习 AI 的建议: 1. 了解 AI 基本概念: 阅读「」部分,熟悉 AI 的术语和基础概念,包括其主要分支(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。 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。 2. 开始 AI 学习之旅: 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。 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。 3. 选择感兴趣的模块深入学习: AI 领域广泛,比如图像、音乐、视频等,可根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧,它上手容易且很有用。 4. 实践和尝试: 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作品。 在知识库提供了很多大家实践后的作品、文章分享,欢迎实践后的分享。 5. 体验 AI 产品: 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。 此外,还可以参考《雪梅 May 的 AI 学习日记》挑战 100 天和 AI 做朋友: 1. 适合纯 AI 小白:可先看左边的目录,从一开始的到处看看到走在学习 AI 的轨道上。 2. 学习模式:输入→模仿→自发创造。 3. 学习内容:去 waytoAGI 社区发现自己感兴趣的 AI 领域,学习最新的内容。 4. 时间安排:在半年多的时间跨度中,有空的时候学习。 5. 学习状态:保持良好的学习状态,能学多少算多少。 6. 费用:学习资源的内容都是免费开源的。 对于中学生学习 AI 的建议: 1. 从编程语言入手学习: 从 Python、JavaScript 等编程语言开始,学习编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台: 使用 ChatGPT、Midjourney 等 AI 生成工具,体验应用场景。 探索面向中学生的 AI 教育平台,如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识: 了解基本概念、发展历程、主要技术如机器学习、深度学习等。 学习在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目: 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题,培养动手能力。 5. 关注 AI 发展的前沿动态: 关注权威媒体和学者,了解最新进展。 思考对未来社会的影响,培养思考和判断能力。
2025-02-15
如何学习ai绘图
以下是关于如何学习 AI 绘图的指导: 一、比赛与训练要求 参加由麦乐园和摩达社区发起的“AI 梦一单一世界”比赛,需用摩搭平台和麦橘超然模型作为底膜训练 Lora,并提交训练好的 Lora 及用其生成的六张以上高质量、展现完整世界观的作品。 二、作图思路 作图分三步: 1. 明确创作主题即锚点,根据 Lora 风格确定创作方向。 2. 确定主体,联想主体的角色设定。 3. 增加叙事感,让画面有一到两个及以上角色,制造反差和联想。 三、图片构成因素 好看的图片的构成因素包括构图、色彩以及光影。 四、构图相关知识 1. 概念:构图指在框架或空间内元素的摆放位置、形状、物体形状及纹理等,好的构图能引导观看者并创造和谐平衡。 2. 分类:包括景别(远景、全景、中景、近景、特写)和拍摄视角(俯视、平视、仰视,正面、侧面、背面)。 3. 要素:有主体、陪体、前景、背景、点线面,合理运用可丰富画面。 4. 方式:如点中心构图、九宫格构图、三分法构图、对称构图、对角线构图、曲线构图、框架构图、三角形构图等。在 AI 绘图中,推荐中景及以上景别,全身景别可能需开 AD 跳以确保作图质量。 五、AI 绘画的定义与发展 AI 绘画是指利用人工智能技术,通过算法和模型让计算机生成具有一定艺术效果的图像。早期成果较为简单和粗糙,随着技术进步,尤其是深度学习算法的应用,如卷积神经网络等,能够生成更加复杂、逼真和富有创意的图像。如今涵盖各种风格和题材,在与人类艺术家的互动和融合中不断创新,为艺术创作带来新的可能性和挑战。 六、场景应用 1. 广告设计:可快速生成各种创意概念图,为广告策划提供灵感和初稿。 2. 游戏开发:用于创建游戏场景、角色形象等,提高开发效率。 3. 影视制作:辅助生成特效场景、概念设计等。 4. 建筑设计:帮助设计师构想建筑外观和内部布局。 七、工具选择与教程 1. 主流工具如 midjourney(MJ)付费成本较高,stable diffusion(SD)硬件门槛不低。 2. 免费在线 SD 工具网站如。 3. 本教程适用于入门玩家,计划让读者用半个小时就能自由上手创作绘图。如果半个小时不足以让您理解工具如何使用,可通过评论区、微信(designurlife1st,记得备注来意:ai 绘图交流)与作者沟通。教程内容会持续更新。 希望以上内容对您学习 AI 绘图有所帮助。
2025-02-15
AI提示词学习
以下是关于新手学习 AI 提示词的综合指导: 了解 AI 基本概念: 建议阅读「」部分,熟悉 AI 的术语和基础概念,包括其主要分支(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。同时浏览入门文章,了解 AI 的历史、当前应用和未来发展趋势。 开始 AI 学习之旅: 在「」中,能找到为初学者设计的课程,特别推荐李宏毅老师的课程。还可以通过在线教育平台(如 Coursera、edX、Udacity)按照自己的节奏学习,并可能获得证书。 选择感兴趣的模块深入学习: AI 领域广泛,比如图像、音乐、视频等,可根据兴趣选择特定模块深入学习,提示词技巧上手容易且有用。 实践和尝试: 理论学习后,实践是巩固知识的关键,尝试使用各种产品制作作品。知识库中有很多实践后的作品和文章分享,欢迎您实践后也进行分享。 体验 AI 产品: 与现有的 AI 产品互动,如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人,了解其工作原理和交互方式,获得实际应用中的第一手体验。 提示词学习要点: 1. 一个月后开始学习提示词,可复制社区里他人的提示词。 2. 小白制作 AI 视频要做好脚本即提示词,了解主体、动作、场景,避免使用专有名词和网络名词,给 AI 清晰描述。 3. 学习提示词的步骤: 要有一个大模型帐号,至少熟悉和它们对话的方式。推荐 ChatGPT4 及国产平替:。 看 OpenAI 的官方文档,如「」。
2025-02-15