有关AI的学习路径

以下是一些转行无经验可能适合的 AI 行业岗位： AIGC 产品经理：如 Sundy 从教育方向和 web3 行业转行，学习了生文生图的原理和应用后目标成为 AIGC 产品经理。 数据开发咨询、AI 视频制作与编辑：例如识影拥有 8 年数据开发经验，目前专注于探索这方面工作。 AI 创业者：像也毛从艺术专业毕业做职业导演，现布局竖屏短剧及 ai 短剧赛道；黄燕燕从 17 年地产人转行创业人工智能领域赛道，主做人工智能领域的服务与培训。 需要注意的是，虽然这些岗位可能对无经验者开放一定机会，但仍需要通过学习和实践不断提升自己在 AI 领域的知识和技能。

目前国内较多人使用的 AI 软件及应用场景如下： 医疗保健领域： 医学影像分析：辅助诊断疾病。 药物研发：加速药物研发过程。 个性化医疗：提供个性化治疗方案。 机器人辅助手术：提高手术精度和安全性。 金融服务领域： 风控和反欺诈：降低金融机构风险。 信用评估：帮助做出贷款决策。 投资分析：辅助投资者决策。 客户服务：提供 24/7 服务并回答常见问题。 零售和电子商务领域： 产品推荐：向客户推荐可能感兴趣的产品。 搜索和个性化：提供个性化购物体验。 动态定价：根据市场需求调整产品价格。 聊天机器人：回答客户问题并解决问题。 制造业领域： 预测性维护：避免机器故障停机。 质量控制：检测产品缺陷。 供应链管理：优化供应链提高效率和降低成本。 机器人自动化：提高生产效率。 此外，还有一些具体的应用产品，如： 游戏领域：腾讯游戏助手的 AI 游戏角色生成器，为游戏开发者生成独特角色。 招聘领域：智联招聘 APP 的 AI 招聘筛选工具，帮助企业快速筛选简历。 房地产领域：贝壳找房 APP 的 AI 房地产评估系统，准确评估房地产价值。 天气领域：墨迹天气 APP 的 AI 天气预报助手，提供精准天气预报和气象预警。 需要注意的是，关于国内使用人数最多的 AI 软件，没有确切的权威统计数据，其使用情况可能因行业、用户需求和地域等因素而有所不同。

AIGC（Artificial Intelligence Generated Content，人工智能生成内容）的技术原理如下： 生成式人工智能（GenAI）：基于深度学习技术和机器学习算法，从已有数据中学习并生成新的数据或内容。通过大规模数据集训练深度神经网络模型，学习各种数据的规律和特征，实现对输入数据的分析、理解和生成。典型的 GenAI 包括 OpenAI 推出的语言模型 ChatGPT、GPT4、图像模型 DALLE 以及百度推出的文心一言、阿里云推出的通义千问等。 机器学习：让机器自动从资料中找到公式。 深度学习：一种更厉害的手段，类神经网络，具有非常大量参数的函数。 大语言模型：是一类具有大量参数的“深度学习”模型。 AIGC 工具通常以自然语言处理为基础，分析大型文本数据集，并学习如何生成风格和语气相似的新内容，从而能够生成包括文本、图像、音频、视频和三维模型等多种形式的内容。

以下是新手学习 AI 的方法和建议： 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模块深入学习。 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。 对于中学生学习 AI，建议如下： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始学习，掌握编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台： 体验 ChatGPT、Midjourney 等 AI 生成工具。 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 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 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 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。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

以下是一些好用的视频去重 AI 软件： Sora：相关教程可参考 https://waytoagi.feishu.cn/wiki/S5zGwt5JHiezbgk5YGic0408nBc Hedra：工具教程见 https://waytoagi.feishu.cn/wiki/PvBwwvN36iFob7kqZktcCzZFnxd 视频转绘：应用教程 https://waytoagi.feishu.cn/wiki/ZjKpwSd5hiy6ZhkiBVHcOBb6n9r 视频拆解：应用教程 https://waytoagi.feishu.cn/wiki/WeKMwHRTmiVpYjkVdYpcFjqun6b 图片精修：应用教程 https://waytoagi.feishu.cn/wiki/CfJLwknV1i8nyRkPaArcslWrnle 此外，还有以下几个视频 AIGC 工具： Opusclip：可将长视频剪成短视频 Raskai：能将短视频素材直接翻译至多语种 invideoAI：输入想法后自动生成脚本和分镜描述，进而生成视频，再人工二编合成长视频 descript：屏幕/播客录制后以 PPT 方式做视频 veed.io：自动翻译自动字幕 clipchamp：微软的 AI 版剪映 typeframes：类似 invideoAI，内容呈现中文本主体比重更多 google vids 对于 Video Battle 视频挑战赛Farewell 送别，参与方式中的视频工具建议及云端 Comfyui 出图+AI 视频软件相关内容，您可参考： https://waytoagi.feishu.cn/wi 工作流： 步骤： 打开链接的工作流：https://www.esheep.com/app/5977，点击查看工作流，会出现登录或注册界面正常注册即可。如果已经登录会自动出现下面的界面。 步骤 1：红色框选择生成图片的大模型，绿色框添加提示词，蓝色框填写反向提示词 步骤 2：红色框设置大小确保是 16:9 的比例，绿色框修改参数，参数不理解的话保持默认即可。 步骤 3：红色框上传深度图 步骤 4：点击立即生成，最下面就会出现图片，在生成历史中下载图片即可。

以下是一些可用于旧照片翻新的 AI 工具： 1. Stable Diffusion：可以通过设置颜色提示词和使用 cutoff 插件来控制颜色，使老照片上色效果更好。对于复杂的照片，可能需要逐个上色并用 PS 进行融合。相关文章： 2. Dreamina 即梦： 网址：https://dreamina.jianying.com/aitool/home?subTab= 优点：不需要🪜，每天有免费额度；注册可用抖音号或手机号，耗时约 5 分钟。 3. Sora： 网址：https://openai.com/sora 优点：发布的成果好，集成在 openai 一套里可用。 限制：需要🪜，需要 gmail 注册，需要订阅后才能使用，耗时 30 60 分钟，价格为 GPT 4 20$一个月。

以下是为新手提供的 AI 学习路径： 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模块深入学习。 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，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 另外，如果您偏向技术研究方向，学习路径包括： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，学习路径包括： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得自己的成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

flux1depthdev 模型的存放路径如下： 1. 下载 flux1depthdev 模型放到 ComfyUI/models/diffusion_models/文件夹中。 夸克网盘：链接：https://pan.quark.cn/s/571d174ec17f 百度网盘：见前文 2. depth lora 模型：https://huggingface.co/blackforestlabs/FLUX.1Depthdevlora ，放到：comfyUI\\models\\loras 。 3. 百度网盘分享的 flux1depthdevlora.safetensors ： 链接：https://pan.baidu.com/s/10BmYtY3sU1VQzwUy2gpNlw?pwd=qflr 提取码：qflr

以下是为您提供的 AIGC 产品经理学习路径： 1. 技术方面：具备扎实的编程、算法工程、AI 应用开发、后端开发等技术背景，熟悉使用如 Midjourney、Stable Diffusion（SD）、Coze、GPT 等工具。 2. 产品经验：拥有产品开发与管理经验，尤其是在互联网和 AI 产品开发方面，具备项目管理与执行能力。 3. 应用场景：广泛涉足 AIGC 内容创作、自动驾驶、金融数据分析、教育、医疗健康、影视创作、营销等多元化应用场景。 4. 学习提升：处于 AI 技术的初学阶段，渴望通过学习提升技能，并将 AI 技术应用到实际工作和生活中。 5. 课程学习：可以选择如【野菩萨的 AIGC 资深课】这样的课程，课程内容涵盖 AI 绘画、视听语言和 ChatGPT 等多个体系的知识。 希望以上内容对您有所帮助。

以下是大模型的学习路径： 1. 大模型入门： 通俗来讲，大模型输入大量语料，让计算机获得类似人类的“思考”能力，能进行文本生成、推理问答、对话、文档摘要等工作。 可以用“上学参加工作”来类比大模型的训练和使用过程： 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练。 确定教材：大模型需要大量数据，几千亿序列（Token）的输入基本是标配。 找老师：用合适算法让大模型更好理解 Token 之间的关系。 就业指导：为让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 搬砖：就业指导完成后，进行如翻译、问答等工作，在大模型里称为推导（infer）。 Token 是原始文本数据与大模型可使用的数字表示之间的桥梁，输入分词时会数字化形成词汇表。 2. 系统学习 LLM 开发： 掌握深度学习和自然语言处理基础：包括机器学习、深度学习、神经网络等基础理论，以及自然语言处理基础，如词向量、序列模型、注意力机制等。相关课程有吴恩达的深度学习课程、斯坦福 cs224n 等。 理解 Transformer 和 BERT 等模型原理：包括 Transformer 模型架构及自注意力机制原理，BERT 的预训练和微调方法。掌握相关论文，如 Attention is All You Need、BERT 论文等。 学习 LLM 模型训练和微调：包括大规模文本语料预处理，LLM 预训练框架，如 PyTorch、TensorFlow 等，微调 LLM 模型进行特定任务迁移。相关资源有 HuggingFace 课程、论文及开源仓库等。 LLM 模型优化和部署：包括模型压缩、蒸馏、并行等优化技术，模型评估和可解释性，模型服务化、在线推理、多语言支持等。相关资源有 ONNX、TVM、BentoML 等开源工具。 LLM 工程实践和案例学习：结合行业场景进行个性化的 LLM 训练，分析和优化具体 LLM 工程案例，研究 LLM 新模型、新方法的最新进展。 持续跟踪前沿发展动态：关注顶会最新论文、技术博客等资源。

以下是为新手提供的 AI 学习路径： 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，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，通过实践巩固知识，尝试使用各种产品做出作品。 在知识库分享实践后的作品和文章。 5. 体验 AI 产品： 与现有的 AI 产品（如 ChatGPT、Kimi Chat、智谱、文心一言等）进行互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 另外，如果您偏向技术研究方向，学习路径包括： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，学习路径包括： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

以下是在扣子平台创作 AI agent 的学习路径： 1. 先吃透 prompt 相关内容，因为提示词在智能体中很关键。 2. 了解智能体是由大语言模型衍生而来，扣子属于智能体范畴且更偏 ToC 应用。 3. 学习 Agent 工程（基础版）的迭代范式： 梳理工作流程 SOP，并拆解成多个单一「任务」和多个「任务执行流程」。 自动化每一个「任务」，形成一系列的小工具，让机器能完成每一个单一任务。 串联工具，基于 agent 框架让 bot 来规划「任务执行流程」。 不停迭代优化「任务」工具和「任务执行流程」规划，造就能应对实际场景的 Agent。 4. 参考数字员工“进化论”，在对 AI 能力基础上作出固化流程或让 AI 自主思考的妥协和平衡。 同时，您还可以参考以下具体内容： 扣子（Coze）是字节跳动旗下的新一代一站式 AI Bot 开发平台，无论是否具备编程基础，都能在该平台上迅速构建基于 AI 模型的各类问答 Bot，开发完成后可发布到各种社交平台和通讯软件上。 可以通过简单 3 步创建智能体，即起一个智能体的名称，写一段智能体的简单介绍，使用 AI 创建一个头像。

以下是关于基础学习 AI 的一些建议和资源： 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。 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。 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 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。 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，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 以下是一些基础学习的讲解资源： ：这是 Nvidia 的四部分系列文章，介绍了 2015 年实践中的深度学习基础，对于刚开始学习 AI 的人来说是一个很好的资源。 翻译： 翻译： 翻译： 翻译： ：通过实用的例子和代码，解释了 AI 基础知识的全面、免费的课程。 ：对嵌入和令牌的简单介绍，它们是 LLMs（和所有语言模型）的构建块。 翻译：

以下是关于学习 Stable Diffusion 的相关内容： 学习 Stable Diffusion 的提示词： 学习 Stable Diffusion 的提示词是一个系统性的过程，需要理论知识和实践经验相结合。具体步骤如下： 1. 学习基本概念：了解 Stable Diffusion 的工作原理和模型架构，理解提示词如何影响生成结果，掌握提示词的组成部分（主题词、修饰词、反面词等）。 2. 研究官方文档和教程：通读 Stable Diffusion 官方文档，了解提示词相关指南，研究来自开发团队和专家的教程和技巧分享。 3. 学习常见术语和范例：熟悉 UI、艺术、摄影等相关领域的专业术语和概念，研究优秀的图像标题和描述，作为提示词范例。 4. 掌握关键技巧：学习如何组合多个词条来精确描述想要的效果，掌握使用“（）”、“”等符号来控制生成权重的技巧，了解如何处理抽象概念、情感等无形事物的描述。 5. 实践和反馈：使用不同的提示词尝试生成各种风格和主题的图像，对比提示词和实际结果，分析原因，总结经验教训，在社区内分享结果，请教高手，获取反馈和建议。 6. 创建提示词库：根据主题、风格等维度，建立自己的高质量提示词库，将成功案例和总结记录在案，方便后续参考和复用。 7. 持续跟进前沿：关注 Stable Diffusion 的最新更新和社区分享，及时掌握提示词的新技术、新范式、新趋势。 学习 Stable Diffusion Web UI： 学习 Stable Diffusion Web UI 可以按照以下步骤进行： 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。 Stable Diffusion 软件原理傻瓜级理解： Stable Diffusion 的工作原理可以这样理解：好比学习画画，比如学梵高的风格，要先看梵高的画并临摹。AI 绘画也是类似逻辑，人们把成千上万美术风格的作品练成一个模型放在 AI 里，AI 就能依照这个模型画出类似风格的作品。想要画出符合心意的作品，首先要选对合适的大模型。大模型的下载，可以去 C 站（https://civitai.com/），有真实系的、二次元的、游戏 CG 风的等等，但需要科学上网。

以下是关于学习 Stable Diffusion 的相关内容： 学习 Stable Diffusion 的提示词： 学习 Stable Diffusion 的提示词是一个系统性的过程，需要理论知识和实践经验相结合。具体步骤如下： 1. 学习基本概念： 了解 Stable Diffusion 的工作原理和模型架构。 理解提示词如何影响生成结果。 掌握提示词的组成部分（主题词、修饰词、反面词等）。 2. 研究官方文档和教程： 通读 Stable Diffusion 官方文档，了解提示词相关指南。 研究来自开发团队和专家的教程和技巧分享。 3. 学习常见术语和范例： 熟悉 UI、艺术、摄影等相关领域的专业术语和概念。 研究优秀的图像标题和描述，作为提示词范例。 4. 掌握关键技巧： 学习如何组合多个词条来精确描述想要的效果。 掌握使用“（）”、“”等符号来控制生成权重的技巧。 了解如何处理抽象概念、情感等无形事物的描述。 5. 实践和反馈： 使用不同的提示词尝试生成各种风格和主题的图像。 对比提示词和实际结果，分析原因，总结经验教训。 在社区内分享结果，请教高手，获取反馈和建议。 6. 创建提示词库： 根据主题、风格等维度，建立自己的高质量提示词库。 将成功案例和总结记录在案，方便后续参考和复用。 7. 持续跟进前沿： 关注 Stable Diffusion 的最新更新和社区分享。 及时掌握提示词的新技术、新范式、新趋势。 学习 Stable Diffusion 的 Web UI： 学习 Stable Diffusion Web UI 可以按照以下步骤进行： 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。 安装 Stable Diffusion 的电脑配置要求： 1. 查看电脑配置： 对于 Windows 系统，可以查看专用 GPU 内存。 4GB：说明电脑勉强可以跑动 SD，出图的时间会比较长。 6GB：出一张图的时间是 20 50 秒，SD 的大部分功能都可以使用。 8GB：5 20 秒可以出一张图，基本上 SD 的所有功能都对你开放。 2. Mac 系统：可以参考下面的视频进行一键安装：https://www.bilibili.com/video/BV1Kh4y1W7Vg/?spm_id_from=333.788&vd_source=6f836e2ab17b1bdb4fc5ea98f38df761

以下是为您制定的由浅入深系统性学习 AI 知识的规划： 一、基础阶段 1. 编程语言学习 选择 Python 或 JavaScript 等编程语言，学习编程语法、数据结构和算法等基础知识，为后续的 AI 学习打下坚实基础。 2. 了解 AI 基本概念 阅读相关入门文章，熟悉 AI 的术语、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。 二、入门阶段 1. 学习路径引导 参考「」中的课程，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，并争取获得证书。 2. 体验 AI 工具和平台 尝试使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 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。 三、深入学习阶段 1. 选择感兴趣的模块 AI 领域广泛，包括图像、音乐、视频等。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，它上手容易且实用。 2. 学习 AI 基础知识 了解 AI 的发展历程、主要技术（如机器学习、深度学习等）。 学习 AI 在教育、医疗、金融等领域的应用案例。 四、实践阶段 1. 参与实践项目 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。 2. 分享与交流 在知识库分享自己实践后的作品和经验，与他人交流学习。 五、前沿关注阶段 1. 关注动态 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。 总之，按照以上规划，从编程基础、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能，您将逐步深入 AI 领域，为未来的发展做好准备。

深度学习是一种源于新方法和策略的技术，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，从而能够训练具有数十层非线性层次特征的体系结构。 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。 深度学习是一种参照人脑神经网络和神经元的方法，由于具有很多层所以称为“深度”。神经网络可以用于监督学习、无监督学习、强化学习等。 自 2010 年早期，结合 GPUs 和激活函数提供更好的梯度流，足以在没有重大困难的情况下训练深层结构，人们对深度学习的兴趣与日俱增。自 2013 年以来，长短时记忆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。