驾驭AI绘画：《AI魔法绘画》带你秒变顶级画手！

  大家好 我是爱编程的喵喵。双985硕士毕业 现担任全栈工程师一职 热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳 不仅形成深入且独到的理解 而且能够帮助新手快速入门。

  今天给大家带来的文章是驾驭AI绘画 《AI魔法绘画》带你秒变顶级画手 希望能对学习AI绘画的同学们有所帮助。

同学们 抖音买家秀中的那些极具设计感的作品是怎么来的

你还在羡慕别人的绘画天赋 对着空白的画纸发呆吗

有没有想过将生硬的代码和灵动的艺术完美融合

有没有感到现代技术带来了戏剧性改变 从替代马车的汽车 到取代传统影像的数字摄影 再到今天的AI美术创作

是的 “AI绘画” 它来了。

AI绘画 如雷贯耳 无处不在。

曾几何时 人们认为艺术需要人工创作 需要才情与灵感的瞬间迸发。

然而 技术的高速发展 打破了这种观念 AI绘画正在逐渐崭露头角 成为新的画坛巨擘。

但聊一聊看似高大上的AI技术可能让你觉得高不可攀。那就跟我一起 用Stable Diffusion挑战无限可能 一窥AI绘画的花花世界

  Stable Diffusion WebUI 中的核心组件 人脸图像面部画面修复模型 CodeFormer的核心代码如下所示

import math
import torch
from torch import nn, Tensor
import torch.nn.functional as F
from typing import Optional
from modules.codeformer.vqgan_arch import VQAutoEncoder, ResBlock
from basicsr.utils.registry import ARCH_REGISTRY

class CodeFormer(VQAutoEncoder):
 def __init__(self, dim_embd 512, n_head 8, n_layers 9,
 codebook_size 1024, latent_size 256,
 connect_list ( 32 , 64 , 128 , 256 ),
 fix_modules ( quantize , generator )):
 super(CodeFormer, self).__init__(512, 64, [1, 2, 2, 4, 4, 8], nearest ,2, [16], codebook_size)
 if fix_modules is not None:
 for module in fix_modules:
 for param in getattr(self, module).parameters():
 param.requires_grad False
 self.connect_list connect_list
 self.n_layers n_layers
 self.dim_embd dim_embd
 self.dim_mlp dim_embd*2
 self.position_emb nn.Parameter(torch.zeros(latent_size, self.dim_embd))
 self.feat_emb nn.Linear(256, self.dim_embd)
 # transformer
 self.ft_layers nn.Sequential(*[TransformerSALayer(embed_dim dim_embd, nhead n_head, dim_mlp self.dim_mlp, dropout 0.0)
 for _ in range(self.n_layers)])
 # logits_predict head
 self.idx_pred_layer nn.Sequential(
 nn.LayerNorm(dim_embd),
 nn.Linear(dim_embd, codebook_size, bias False))
 self.channels {
 16 : 512,
 32 : 256,
 64 : 256,
 128 : 128,
 256 : 128,
 512 : 64,
 # after second residual block for 16, before attn layer for 16
 self.fuse_encoder_block { 512 :2, 256 :5, 128 :8, 64 :11, 32 :14, 16 :18}
 # after first residual block for 16, before attn layer for 16
 self.fuse_generator_block { 16 :6, 32 : 9, 64 :12, 128 :15, 256 :18, 512 :21}
 # fuse_convs_dict
 self.fuse_convs_dict nn.ModuleDict()
 for f_size in self.connect_list:
 in_ch self.channels[f_size]
 self.fuse_convs_dict[f_size] Fuse_sft_block(in_ch, in_ch)
 def _init_weights(self, module):
 if isinstance(module, (nn.Linear, nn.Embedding)):
 module.weight.data.normal_(mean 0.0, std 0.02)
 if isinstance(module, nn.Linear) and module.bias is not None:
 module.bias.data.zero_()
 elif isinstance(module, nn.LayerNorm):
 module.bias.data.zero_()
 module.weight.data.fill_(1.0)
 def forward(self, x, w 0, detach_16 True, code_only False, adain False):
 # ################### Encoder #####################
 enc_feat_dict {}
 out_list [self.fuse_encoder_block[f_size] for f_size in self.connect_list]
 for i, block in enumerate(self.encoder.blocks):
 x block(x)
 if i in out_list:
 enc_feat_dict[str(x.shape[-1])] x.clone()
 lq_feat x
 # ################# Transformer ###################
 # quant_feat, codebook_loss, quant_stats self.quantize(lq_feat)
 pos_emb self.position_emb.unsqueeze(1).repeat(1,x.shape[0],1)
 # BCHW - BC(HW) - (HW)BC
 feat_emb self.feat_emb(lq_feat.flatten(2).permute(2,0,1))
 query_emb feat_emb
 # Transformer encoder
 for layer in self.ft_layers:
 query_emb layer(query_emb, query_pos pos_emb)
 # output logits
 logits self.idx_pred_layer(query_emb) # (hw)bn
 logits logits.permute(1,0,2) # (hw)bn - b(hw)n
 if code_only: # for training stage II
 # logits doesn t need softmax before cross_entropy loss
 return logits, lq_feat
 # ################# Quantization ###################
 # if self.training:
 # quant_feat torch.einsum( btn,nc- btc , [soft_one_hot, self.quantize.embedding.weight])
 # # b(hw)c - bc(hw) - bchw
 # quant_feat quant_feat.permute(0,2,1).view(lq_feat.shape)
 # ------------
 soft_one_hot F.softmax(logits, dim 2)
 _, top_idx torch.topk(soft_one_hot, 1, dim 2)
 quant_feat self.quantize.get_codebook_feat(top_idx, shape [x.shape[0],16,16,256])
 # preserve gradients
 # quant_feat lq_feat (quant_feat - lq_feat).detach()
 if detach_16:
 quant_feat quant_feat.detach() # for training stage III
 if adain:
 quant_feat adaptive_instance_normalization(quant_feat, lq_feat)
 # ################## Generator ####################
 x quant_feat
 fuse_list [self.fuse_generator_block[f_size] for f_size in self.connect_list]
 for i, block in enumerate(self.generator.blocks):
 x block(x)
 if i in fuse_list: # fuse after i-th block
 f_size str(x.shape[-1])
 if w 0:
 x self.fuse_convs_dict[f_size](enc_feat_dict[f_size].detach(), x, w)
 out x
 # logits doesn t need softmax before cross_entropy loss
 return out, logits, lq_feat

俗话说 知识就是力量 掌握AI绘画技术 你不仅可以创造出令人眼花缭乱的艺术作品 还可能在众多同行中脱颖而出 走上职业生涯的新高峰。

看看那些因为AI的到来 开始大规模裁员的公司 你是否意识到了自己该学习AI绘画的重要性 答案是明显的。掌握潮流 主宰未来 你准备好了吗

这里 向大家强烈推荐一本书——《AI魔法绘画 用Stable Diffusion挑战无限可能》。

它是一本以实际操作为导向的入门级AI绘画图书。

书中详细讲解了基于Stable Diffusion进行AI绘画的完整学习路线 包括绘画技巧、图片生成、提示词编写、ControlNet插件、模型训练等等。

如果你是零基础 无须恐惧 书中涵盖了丰富的实际操作案例 易懂易学 轻松入门。

如果你已经步入职场 那么这本书中的丰富技术内容 绝对能让你大有收获。

重要的是 本书的内容超级全面。无论是始于入门的基础理论知识 还是No-Code模型训练必备的ControlNet插件的详解 甚至是AI绘画全流程的操作教程 本书一应俱全 让你提前预知并掌握AI绘画的全貌 将你从菜鸟级别提升至大师级。

此外 **书中包括了一些非常实用的商业设计案例 **如家具效果图、AI插画与插图、AI宠物、原创IP角色、自媒体运营等 这将为你的创新设计思路添砖加瓦

……

资源丰富 内容详细 各章节知识体系完备 示例形象生动 操作步骤清晰明了 还有读者交流群可与作者互动 本书简直是你学习AI绘画的绝佳教程

朋友们 生活永远充满无限可能。

但是 如果你想把握未来的潮流 扬帆起航 那么记得装备自己 勇往直前。

快来 开始你的AI绘画之旅 与我一起 **用《AI魔法绘画 用stable Diffusion挑战无限可能》探秘AI绘画的奥妙之处 **在不断迭代的技术驱动下 一起走进神奇的AI绘画世界 一起挑战无限可能吧

   本次送书1~3本【取决于阅读量 阅读量越多 送的越多】
  ⌛️活动时间 截止到2024-1月19号
  ✳️参与方式 关注博主 三连 点赞、收藏、评论

  小伙伴也可以访问链接进行自主购买哦~

  直达京东购买链接 购买地址《AI魔法绘画 用Stable Diffusion挑战无限可能》

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

更多文章请关注《万象专栏》