1 初衷 很早就开始分享文档，以技术类的为主，一开始是 MSN，博客，随着平台的更替，后来又用了 CSDN，知乎，简书…… 再后来是 Obsidian，飞书，Notion，常常有以下困扰： 1.1 问题 各平台格式不同，审核规则不同，需要花很多时间上传多个平台，文档更新成本也高。 分类太简单，搜索困难，不能满足要求。 虽然积累了一些积分和关注，但是平台更替，被黑，不可控。 想表达的东西很多：技术文，书评，旅行，画画，其它作品，日常感受；长文与短文，文献与田野的不同风格；每个平台调性，受众不同，全放一起，显得很不专业。 1.2 优势 这么看来，自建平台相对来说更自由，更方便： 租个每年几百块钱的服务器，或者先用个免费平台。 从内容到数据迁移更自由，可利用工具切换平台，减少时间成本，一键分享/更新。 构造一种介于“给自己看”和“给别人看”之间的状态，打通公/私分享内容。 在自己的 blog 和 其它内容之间建立深度链接。 设计自己的逻辑，做自己喜欢的分类和屏蔽规则，让不同类型的内容互不干扰。 1.3 劣势 但也存在一些问题： 学习成本：虽然入门成本不高，但想做到自己满意，需要花很 ...

1 工具使用 1.1 Midjourney vs Stable Diffusion 收费、审核、门槛；开源、部署、海量模型、可控、要求 生态：平台、插件、模型、文档；自已训练 1.2 环境 AI绘画_SD_搭建环境 docker 镜像：siutin/stable-diffusion-webui-docker 1234567$ nvidia-docker run -it --name sdw --gpus all --network host \ -v $(pwd)/models:/app/stable-diffusion-webui/models \ -v $(pwd)/outputs:/app/stable-diffusion-webui/outputs \ -v $(pwd)/extensions:/app/stable-diffusion-webui/extensions \ --rm siutin/stable-diffusion-webui-docker:cuda-v1.5.1-2023-08-02 \ bash$ ./webui.sh --share --list ...

时间序列分析工具包–tsfresh Pasted image 20211127213158.png 1 简介 官方文档：https://tsfresh.readthedocs.io/en/latest/index.html 源码：https://github.com/blue-yonder/tsfresh Star：目前 6.1K 笔者推荐：看一遍官方文档，再试一下源码中的例程 tsfresh/notebooks/examples/ 介绍： 可对应的长短不一的周期序列进行时间序列特征的提取。 能够自动地从时间序列数据中提取上百种基本的时序特征，如：峰数量，均值，最值等等 2 适用性 2.1 适用 自动地提取时序数据特征，扩充建模时的特征维度 只基于时间序列的聚类、分类和回归任务。 2.2 不适用 不适用于在线数据 不适用于对时间序列数据直接训练建模（sklearn 更加适合）。 不适用于高度不规则的时间序列，对于此类数据，tsfresh 可用于与时间间隔无关的特征提取（如峰值数量）；但对于非等间隔的数据（如趋势）应谨慎使用。 3 安装 1$ pip install ...

1 python markdown 解析器 mistletoe Star 665 主要支持 CommonMark Markdown mistune Star 2.3k 较量级 markdown_it Start 16.1k javascript 库 markdown Star 3.4k 对 pandoc 支持相对较好 功能比较强大 帮助页：https://python-markdown.github.io/ markdown2 Start 2.5k 用于转 html 2 mistune 2.1 github 地址 https://github.com/lepture/mistune 2.2 输入 markdown，输出 html 文本。 123import mistunemistune.markdown('I am using **mistune markdown parser**')# 输出: <p>I am using <strong>mistune markdown parser</strong>&l ...

#数据存储/PGSQL 1 概念 1.1 PGSQL 与 MySQL 在开源方面，PostgreSQL 是一个完全开源的数据库管理系统，MySQL 分为两个版本：开源版本和商业版本。 数据类型方面，PostgreSQL 提供了丰富的内置数据类型，包括数组、JSON、HSTORE（键值对）等。 PostgreSQL 对 SQL 标准的支持较好，支持更多高级 SQL 功能。 性能方面，PostgreSQL 支持表分区、并行查询和内置的复制功能，使其适用于大规模应用。 1.2 schema 在 PostgreSQL 中，schema 是一个命名空间，它可以包含数据库对象的名称，如表、视图、索引、数据类型、函数以及运算符。在一个数据库中可以存在多个 schema，它们都有各自的命名空间。这使得多个用户可以在同一个数据库中使用相同的表名，因为它们在不同的 schema 中。 相关 SQL 命令： CREATE SCHEMA：创建一个新的 schema， DROP SCHEMA：删除一个 schema ALTER SCHEMA：更改一个已存在的 schema 的属性 2 建立服务器环境 1 ...

1 模型下载 Stable Diffusion (简称 SD) 模型主要从 Huggingface, github, Civitai 下载。 Huggingface：主要提供主流 AI 绘画模型下载。 github：也有一些小模型放在 github 下供下载使用。 Civitai：AI 艺术共享平台，可下载海量 SD 开源模型（推荐）。 2 模型类别 SD 支持不同类型的模型，比如：基础模型，Lora，ControlNet，VAE，CLIP 等。模型扩展名一般为 ckpt，safetensors，pt，pth 等。下面介绍几种最重要的模型。 3 基础模型 3.1 介绍 基础模型一般包含完整的 TextEncoder、U-Net、VAE。 模型大小一般为 2-8G，真实风格模型相对 2D 风格模型更大。 目前最新的模型是 SDXL 1.0（约占 8G 显存），最常用的模型是 SD 1.5（约占 4G 显存）。 需要手工下载后，复制到 models/Stable-diffusion/ 目录下，才可识别和使用。 3.2 推荐 v1-5-pruned-emaonly：默认模型，偏真实风格，可 ...

一周之内体验了：Diffusion，CLIP，Segment Anything，Insightface，LoRA，ConnectNet 诸多算法的实际应用，全部是本地部署，0 花费。 1 选择 AI 绘画工具 目前 Ai 绘画界有两大主流工具，Midjourney（简称 MJ）和 Stable Diffusion（称 SD）。 MJ 于 2022 年 3 月首次面世，已从 V3 模型发展至 V5 模型，SD 由 Stability AI 公司和非营利研究人员在 2022 年 8 月推出的，可在本地免费部署。 MJ 更适合新手入门，10 刀/月，30 刀/月，60 刀/月三档收费；低付费的图片是共享的，高付费服务能一对一出图；学习提示词门槛低；有一定的审核要求，敏感词比较多；少量设置后的画面看起来就很炫，但不太受控，自娱自乐还行，难以稳定输出。 SD 可以设置大量参数，下载海量模型，本地部署，提示词百无禁忌，针对实际工作中的目标，更需要 SD 来定制。它需要本地硬件支持，以及更高的学习成本。 如果只想玩一下，国内也有一些免费平台，浏览器端和手机端微信端都有，就是生成效果比较差。 从两个 ...

1 介绍 本文将介绍 Stable Diffusion 的具体使用方法。首先，介绍界面中的重要元素，如图所示： 1. 基础模型：基础模型是最重要的设置项 文生图：选项卡列出了各大功能，文生图指通过文字生成图片 图生图：图生图指通过图片和文字生成图片 修复照片：用于优化图片，提升精度，常用来修复旧照片 设置：软件设置，VAE 模型可在此设置 插件：用于安装和管理插件，注意命令行启动时应允许安装插件 提示词：提示词分为正向提示和负向提示，负向提示用于限制可能的问题 采样方式：常用 Euler a，DPM2++2M Karras 提示词相关性：设置画面与提示词的相关性，一般设为 5-10，如果太高，色彩会过于饱和 扩展模型：设置基础模型的附加模型，Embedding 和 LoRA 模型就在此设置（换了模型后，要刷新一下 LoRA，才能显示对应版本的 LoRA） 生成按钮：按此按钮生成图片 2 提示词 2.1 提示词格式 提示词用于描述待生成的图像内容 提示词可支持中文，但不如英文理解的好 多个提示词可用逗号隔开，无需符合英文语法 对提示词加权重： 用小括号把关键词括起来（curly ...

1234567英文名称: High-Resolution Image Synthesis with Latent Diffusion Models中文名称: 使用潜空间扩散模型合成高分辨率图像地址: https://ieeexplore.ieee.org/document/9878449/代码: https://github.com/CompVis/latent-diffusion作者：Robin Rombach日期: 2022-06-01引用: 2275 1 读后感 Latent Diffusion Models（LDMs）基于潜空间的扩散模型，是目前主流的基础模型，Stable diffusion 就是基于 LDMs 原理工作的。之前的扩散模型运算都在像素层面，优化通常会消耗数百个 GPU 天，且评估和推理成本也很高。LDMs 大量自编码器的运算基于潜空间数据，降低了计算复杂度，从而大幅节省了算力，并保持了图像质量和灵活度，它让更多人可以训练模型。其应用场景包含有条件（根据文本或图像生成图像）和无条件（去噪/着色/根据涂鸦合成）的图像生成。 研究背景和动机 扩散模型是由逐层去噪的自 ...

1 方法一：使用 time 函数 12345678import timestart = time.clock()#待统计程序段dur = (time.clock() - start)print("Time used:", dur) 2 方法二： 在 Jupyter 的 cell 开始处加关键字 time，统计代码段运行时间 1%%time 注意：使用该方法可能影响 debug 信息输出，debug 时请注意关闭 3 方法三： 在程序行前加关键字 time，统计代码行运行时间 1%time 程序行 4 方法四： 使用 cProfile 模块生成脚本执行的统计信息文件（运行时间，调用次数），使用 pstats 格式化统计信息，并根据需要做排序分析处理 4.1.1 示例 1234567891011121314151617import cProfileimport pstatsimport redef a(): re.compile("foo|bar")def b(): for i in range(50000): a() ...