皮皮网

1.腾讯T2I-adapter源码分析（3）-训练源码分析
2.tencent://message/?腾讯uin=627722999&Site=&Menu=yes？
3.腾讯T2I-adapter源码分析（1）-运行源码跑训练
4.怎么查看腾讯视频网的视频代码？

腾讯T2I-adapter源码分析（3）-训练源码分析

       随着stable-diffusion和midjourney等AI技术展现令人惊叹的艺术创作，人们对AI可控绘图的码腾码追求日益高涨。为提升AI图像生成的讯官可控性，Controlnet和T2I-adapter等解决方案应运而生。网源系列文章将从T2I-adapter的腾讯源码出发，深入剖析其训练部分的码腾码QQ抽奖php源码实现原理。

       本篇我们将聚焦于训练源码的讯官解析，通过代码结构的网源梳理，了解T2I-Adapter的腾讯训练流程。

       训练代码的码腾码运行涉及数据处理、模型加载、讯官优化器设置以及实际训练过程。网源在第一部分，腾讯我们首先设置参数并加载数据，码腾码如DepthDataset，讯官它从txt文件中读取、对应的深度图和文本描述。

       在模型加载阶段，我们区分了stable-diffusion模型和adapter。stable-diffusion模型加载时，其配置与推理阶段有所差异，如增加调度器参数、提高精度、调整分辨率和训练相关参数。android学校源码adapter模型的加载则遵循推理过程中的初始化方法，通过构建不同模块来实现。

       训练过程中，adapter模型的关键结构包括下采样、卷积和ResnetBlock的使用，相比controlnet，T2I-adapter的参数更少，没有注意力层，这使得训练更为高效。模型放入GPU后，使用adamW优化器进行训练，同时设置学习率和数据保存路径。

       状态恢复部分，程序会判断是否从头开始或恢复训练，设置log信息。接下来，代码进入实际的训练循环，包括条件编码、隐藏状态生成、adapter结果附加至sd模型以及adapter梯度计算。

       loss函数定义在模型配置中，采用L2损失来衡量生成图像与给定时间点加噪ground truth的接近程度。训练过程中，数据收集源码loss计算和模型保存都在代码中明确体现。

       总的来说，T2I-adapter的训练源码展示了精细的结构和参数设置，确保了AI绘画的可控性和性能。在AI艺术的探索中，每一行代码都承载着技术进步的点滴痕迹。

tencent://message/?uin=&Site=&Menu=yes？

       相信很多朋友在访问别人的博客、网上商城时可能会发现上都有这样的小玩意， 点击下就可以弹出对话框和主人进行对话，而且无需加对方为好友。 

       一、腾讯提供的代码为：

       <a href="tencent://message/?uin=&Site=JooIT.com&Menu=yes">

       <img border="0" SRC='blogs.com/phinecos/HelloWorldProtocal.rar)

       登陆你的QQ空间后点自定义（快捷键Ctrl+j，Alt+j）点新建模块→大图模块→输入或者粘贴刚复制的地址。然后点“更多设置”，点开之后下面有个显示边框，点“不显示”。上面有个连接地址输入：

       tencent://message/?uin=*****&Site=www.qqkj.cn&Menu=yes

       把上面地址中的*****改成你的qq号码，最后提交就可以了！

       六、

参考资料：

       1、Registering an Application to a URL Protocol

       2、Register protocol

       3、仿腾讯 QQ 和 Skype 通过URL触发自己的盗号钓鱼源码程序。

       4、由Tencent://Message协议想到的一个解决方案。

腾讯T2I-adapter源码分析（1）-运行源码跑训练

       稳定扩散、midjourney等AI绘图技术，为人们带来了令人惊叹的效果，不禁让人感叹技术发展的日新月异。然而，AI绘图的可控性一直不是很好，通过prompt描述词来操控图像很难做到随心所欲。为了使AI绘制的图像更具可控性，Controlnet、T2I-adapter等技术应运而生。本系列文章将从T2I-adapter的源码出发，分析其实现方法。

       本篇是第一篇，主要介绍源码的运行方法，后续两篇将以深度图为例，分别分析推理部分和训练部分的代码。分析T2I-Adapter，也是为了继续研究我一直在研究的课题：“AI生成同一人物不同动作”，例如：罗培羽：stable-diffusion生成同一人物不同动作的尝试（多姿势图），Controlnet、T2I-adapter给了我一些灵感，django 源码解析后续将进行尝试。

       T2I-Adapter论文地址如下，它与controlnet类似，都是在原模型增加一个旁路，然后对推理结果求和。

       T2I-Adapter和controlnet有两个主要的不同点，从图中可见，其一是在unet的编码阶段增加参数，而controlnet主要是解码阶段；其二是controlnet复制unit的上半部结构，而T2I-Adapter使用不同的模型结构。由于采用较小的模型，因此T2I-Adapter的模型较小，默认下占用M左右，而controlnet模型一般要5G空间。

       首先确保机器上装有3.6版本以上python，然后把代码clone下来。随后安装依赖项，打开requirements.txt，可以看到依赖项的内容。然后下载示例，下载的会放到examples目录下。接着下载sd模型到model目录下，再下载T2I-Adapter的模型到目录下，模型可以按需到huggingface.co/TencentA...下载。这里我下载了depth和openpose。sd模型除了上述的v1-5，也还下载了sd-v1-4.ckpt。

       根据文档，尝试运行一个由深度图生成的例子，下图的左侧是深度图，提示语是"desk, best quality, extremely detailed"，右侧是生成出来的。运行过程比较艰辛，一开始在一台8G显存的服务器上跑，显存不够；重新搭环境在一台G显存的服务器上跑，还是不够；最后用一台G显存的服务器，终于运行起来了。

       接下来尝试跑openpose的例子，下图左侧是骨架图，提示词为"Iron man, high-quality, high-res"，右侧是生成的图像。

       既然能跑推理，那么尝试跑训练。为了后续修改代码运行，目标是准备一点点数据把训练代码跑起来，至于训练的效果不是当前关注的。程序中也有训练的脚步，我们以训练深度图条件为例，来运行train_depth.py。

       显然，习惯了，会有一些问题没法直接运行，需要先做两步工作。准备训练数据，分析代码，定位到ldm/data/dataset_depth.py，反推它的数据集结构，然后准备对应数据。先创建文件datasets/laion_depth_meta_v1.txt，用于存放数据文件的地址，由于只是测试，我就只添加两行。然后准备，图中的.png和.png是结果图，.depth.png和.depth.png是深度图，.txt和.txt是对应的文本描述。

       文本描述如下，都只是为了把代码跑起来而做的简单设置。设置环境变量，由于T2I-Adapter使用多卡训练，显然我也没这个环境，因此要让它在单机上跑。而代码中也会获取一些环境变量，因此做简单的设置。

       做好准备工作，可以运行程序了，出于硬件条件限制，只能把batch size设置为1。在A显卡跑了约8小时，完成，按默认的配置，模型保存experiments/train_depth/models/model_ad_.pth。那么，使用训练出来的模型试试效果，能生成如下（此处只是为了跑起来代码，用训练集来测试），验证了可以跑起来。

       运行起来，但这还不够，我们还得看看代码是怎么写法，下一篇见。

       PS：《直观理解AI博弈原理》是笔者写的一篇长文，从五子棋、象棋、围棋的AI演进讲起，从深度遍历、MAX-MIN剪枝再到蒙特卡罗树搜索，一步步介绍AI博弈的原理，而后引出强化学习方法，通俗易懂地介绍AlphaGo围棋、星际争霸强化学习AI、王者荣耀AI的一些强化学习要点，值得推荐。

       AUTOMATIC的webui是近期很流行的stable-diffusion应用，它集合stable-diffusion各项常用功能，还通过扩展的形式支持controlnet、lora等技术，我们也分析了它的源码实现，写了一系列文章。

怎么查看腾讯视频网的视频代码？

       告诉你个简单的方法不用这么辛苦.有的网站、为了不让人用常常给地址加密、或用相对地址.甚至动态分配地址.等有的看下网页源代码可以找的到、有的则不然.怎么样可以轻松找到地址、或者可以直接下载到本地呢.如果你装有maxthon浏览器就更方便了.在\====查看====菜单下的=====工具栏=====下的插件栏勾上.会看到插件栏上有个f的按钮FLASH然后打开你需要的网页、上面有你要的flash点下f按钮、真是地址就显示了.在左栏有preview显示地址、选择到save然后右键地址另存为..就可以下载到本地拉．非常好用.现在的版本、甚至可以挖视频拉.答案补充只要你能登录那个网页、看的到、能显示出你要的FLASH就能保存、且弄到它的地址.光你给的那段html、有什么用呢、它只是解析过的.看不出原文件的地址.如你说的盗链网、人家也是有技术的.他盗了链然后又再次隐藏.如开头说的地址加密、或用相对地址.甚至动态分配地址.等又或者他复制一分、挂在他的网上、已经不是引用了.而是直接有副本.前提:这个网站只是引用了别人的flash、没有建副本建议.用maxthon打开有你要的flash的那个页面(就是你给的这段代码的那页、)然后点F按钮、就会把页面上所有的flash和它的真实地址列出来.要想下载只需要选到save然后右键另存即可.