1.AI与PDE（七）：AFNO模型的源码源代码解析
2.大神用Python做个AI出牌器，实现财富自由附源码
3.腾讯T2I-adapter源码分析（3）-训练源码分析
4.腾讯T2I-adapter源码分析（1）-运行源码跑训练
5.图解UE4源码AI行为树系统 其二 一棵行为树是资料怎么被运行起来的
6.腾讯T2I-adapter源码分析（2）-推理源码分析

AI与PDE（七）：AFNO模型的源代码解析

       本文旨在解析AFNO模型的源代码，帮助读者理解模型细节与主干结构。源码首先，资料AFNO模型的源码主干框架在afnonet.py文件中定义，通过类AFNONet实现。资料tif源码模型的源码核心功能封装在多个类与函数中，依据代码注释逐步解析。资料

       在代码中，源码forward_features函数负责模型的资料核心逻辑，包括patch切割与mixing过程。源码这些操作由PatchEmbed类实现。资料位置编码self.pos_embed通过高斯初始化得到，源码增加模型的资料表示能力。

       关键模块AFNO2d位于代码中，源码它基于FNO的原理，负责处理输入数据。AFNO2d模块在forward_features函数中通过循环调用，实现数据的转换与混合。

       经过数个L layer处理后，模型进入类似解码器的结构，用于将中间结果映射为目标结果。这一过程通过self.head(x)实现，以解决特定分类问题。

       本文通过梳理代码流程与结构图，直观展示了AFNO模型的工作原理。读者可参考AFNO的GitHub源代码与论文，深入理解细节。后续文章将继续探讨基于AFNO模型框架的其他应用，如FourCastNet。

大神用Python做个AI出牌器，实现财富自由附源码

       在互联网上，我注意到一个有趣的开源项目——快手团队的DouZero，它将AI技术应用到了斗地主游戏中。今天，我们将通过学习如何使用这个原理，来制作一个能辅助出牌的欢乐斗地主AI工具，也许它能帮助我们提升游戏策略，迈向财富自由的境界。

       首先，让我们看看AI出牌器的maven jar 打包源码实际运作效果:

       接下来，我们逐步构建这个AI出牌器的制作过程:

       核心功能与实现步骤

       UI设计：首先，我们需要设计一个简洁的用户界面，使用Python的pyqt5库，如下是关键代码:

       识别数据：在屏幕上抓取特定区域，通过模板匹配识别AI的手牌、底牌和对手出牌，这部分依赖于截图分析，核心代码如下:

       地主确认：通过截图确定地主身份，代码负责处理这一环节:

       AI出牌决策：利用DouZero的AI模型，对每一轮出牌进行判断和决策，这部分涉及到代码集成，例如:

       有了这些功能，出牌器的基本流程就完成了。接下来是使用方法:

       使用与配置

       环境安装：你需要安装相关库，并配置好运行环境，具体步骤如下:

       位置调整：确保游戏窗口设置正确，AI出牌器窗口不遮挡关键信息:

       运行测试：完成环境配置后，即可启动程序，与AI一起战斗:

       最后，实际操作时，打开斗地主游戏，让AI在合适的时间介入，体验AI带来的智慧策略，看看它是否能帮助你赢得胜利！

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可控绘图的追求日益高涨。为提升AI图像生成的可控性，Controlnet和T2I-adapter等解决方案应运而生。系列文章将从T2I-adapter的源码出发，深入剖析其训练部分的实现原理。

       本篇我们将聚焦于训练源码的解析，通过代码结构的梳理，了解T2I-Adapter的训练流程。

       训练代码的运行涉及数据处理、模型加载、优化器设置以及实际训练过程。在第一部分，我们首先设置参数并加载数据，如DepthDataset，它从txt文件中读取、c中memcpy源码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。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，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。

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web连接 vnc源码效果，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，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，win python源码编译再下载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。

图解UE4源码AI行为树系统 其二 一棵行为树是怎么被运行起来的

       在本系列的第三部分，我们将深入探讨行为树的运行过程。首先，行为树的运行分为几个关键步骤：

       发起行为树运行

       行为树的运行可以通过两种方式启动:

       调用AAIController::RunBehaviorTree()函数。

       通过Run Behavior任务节点执行子行为树。

       抽象逻辑理解

       理解流程时，想象一个抽象流程图，我们将讲解分为蓝色泳道（检查和加载）和红色泳道（初始化和执行）。

       检查和加载子树

       开始前，UBehaviorTreeComponent会对子树进行三项检查:

       确保子树使用的黑板资源与父树一致。

       确保全局的UBehaviorTreeManager可用。

       确认发起节点的父节点是否允许push新子树，如SimpleParallel节点限制。

       树的加载

       检查通过后，进入资源加载阶段，首先尝试从缓存获取数据，避免重复加载。

       缓存和数据初始化

       加载行为树资源，如果缓存中有匹配的模板，直接返回。否则，创建新模板并计算节点初始化信息，包括内存需求和执行顺序。

       执行树的初始化

       加载完成后，进一步在UBehaviorTreeComponent::PushInstance中初始化FBehaviorTreeInstance和FBehaviorTreeInstanceId，设置内存偏移，填充数组，然后将新实例入栈并标记为活跃。

       行为树的执行

       最后，执行新树，从根节点的service开始，然后执行根节点，进入下一轮迭代。后续的节点执行细节将作为下一部分内容。

腾讯T2I-adapter源码分析（2）-推理源码分析

       随着stable-diffusion和midjourney展示出AI绘图的惊人潜力，人们对技术进步的惊叹不已。然而，AI绘图的可控性一直是痛点，仅凭描述词控制图像并不尽如人意。为增强AI图像的可控性，Controlnet和T2I-adapter等技术应运而生。本文将通过解析T2I-adapter的推理源码，揭示其工作原理。

       本文将深入剖析推理部分的代码，以便理解T2I-Adapter的实际操作。使用如下的命令行指令进行推理，如test_adapter.py，它需要指定条件类型、深度图路径、前置处理器类型、提示语、模型和缩放尺寸等参数。

       在test_adapter.py中，主要分为参数读取、模型加载和推理运算三个步骤。参数读取部分包括检查支持的条件、构建提示语，以及根据输入选择前置处理。模型加载涉及stable-diffusion和adapter模型，前者通过配置加载，后者根据输入条件构造Adapter模型。

       加载stable-diffusion模型时，代码引用了来自github的CompVis/stable-diffusion库，其中关键部分包括加载参数、模型配置以及UNetModel的改动。Adapter模型的构造与论文中的结构图一致，通过ResnetBlock的组合实现。

       在推理过程中，先对输入进行预处理，如深度图的处理。随后，get_adapter_feature和diffusion_inference两个核心函数调用adapter模型，与stable-diffusion模型结合进行特征融合和采样。最后，DDIM采样器接收并处理adapter特征，最终生成图像。

       通过以上分析，我们逐步揭示了T2I-adapter的推理机制。后续文章将探讨训练代码。在游戏开发中，AI生成游戏角色动作的应用，如AUTOMATIC，展示了这种技术的实际应用，以解决美术资源匮乏的问题。

OpenAI/Triton MLIR 第零章: 源码编译

       本文旨在深入探讨开源AI项目OpenAI Triton MLIR，着重介绍Triton作为编程语言与编译器在GPU加速计算领域的应用与优化。Triton为用户提供了一种全新的方式，通过将其后端接入LLVM IR，利用NVPTX生成GPU代码，进而提升计算效率。相较于传统CUDA编程，Triton无需依赖NVIDIA的nvcc编译器，直接生成可运行的机器代码，体现出其在深度学习与数据科学领域的高性能计算潜力。Triton不仅支持NVIDIA GPU，还计划扩展至AMD与Intel GPU，其设计基于MLIR框架，通过Dialect支持多样化后端。本文将从源码编译角度出发，逐步解析Triton的设计理念与优化策略，为研究编译技术和系统优化的工程师提供宝贵资源。

       首先，需要访问Triton的官方网站，克隆其官方代码库，以便后续操作。构建过程涉及两个重要依赖：LLVM与pybind。LLVM作为Triton的核心后端，通过将高级Python代码逐步转换至LLVM IR，最终生成GPU可运行代码，体现了其在计算优化领域的优势。pybind组件则用于封装C++/CUDA或汇编代码，实现Python DSL与高性能组件的无缝集成。

       接下来，将LLVM与pybind分别编译安装，通过手动配置指定路径，确保编译过程顺利进行。LLVM的安装对于基于Triton进行二次开发的工程师和研究人员至关重要，因为它为Triton提供了强大的计算基础。在特定的commit ID下编译Triton，确保与后续版本兼容。

       在编译过程中，配置pybind同样至关重要，它允许用户通过Python API调用高性能组件，实现自动化生成高性能算子。完成编译后，生成的.so文件（libtriton.so）为后续Triton的Python接口提供了支持。

       将libtriton.so移动至triton/python/triton/_C目录下，确保Python路径正确配置，实现无缝导入与调用。通过简单的import triton命令，即可开启Triton的开发之旅。验证Triton性能，可以选择tutorials目录下的示例代码，如-matrix-multiplication.py，通过运行该脚本，观察Triton在GPU上的性能表现。

       Triton在NVGPU上的成熟映射路线，从抽象的Python DSL到贴近GPU层面的IR，最终生成高效机器代码，体现了其在高性能计算领域的优越性。Triton未来的发展蓝图将支持更多前端语言，对接不同硬件厂商的硬件，实现高效映射，满足多样化计算需求。

AI顶底公式？

       已通达信为例，AI分时顶底公式如下：

       趋势:SMA(((CLOSE-LLV(LOW,))/(HHV(HIGH,)-LLV(LOW,))*),3,1) ,COLORGREEN;

       STICKLINE(趋势>,趋势,,4,0),COLORB;

       STICKLINE(>趋势,趋势,,4,0),COLOR;

       IF(趋势>, 趋势,DRAWNULL), COLORRED;

       RSV:=(CLOSE-LLV(CLOSE,9))/(HHV(CLOSE,9)-LLV(CLOSE,9))*;

       K:=SMA(RSV,3,1);

       D:=SMA(K,3,1);

       TYP:=(HIGH+LOW+CLOSE)/3;

       CCI:=(TYP-MA(TYP,))/(0.*AVEDEV(TYP,));

       DIFF:=EMA(CLOSE,2)-EMA(CLOSE,);

       DEA:=EMA(DIFF,6);

       MACD:=2*(DIFF-DEA);

       转点:=IF(K>D AND CCI>0 AND DIFF>DEA AND MACD>0,1,0);

       STICKLINE(转点=1,,,6,0),COLORYELLOW;

       STICKLINE(转点=0,,,6,0),COLORCYAN;

       顶部:,COLORYELLOW;

       底部:,COLORCYAN;

       判断:SMA(趋势,3,1),COLORFFFF, LINETHICK2;

       IF( 趋势>判断,判断,DRAWNULL), COLORYELLOW, LINETHICK2;

       IF( 趋势<判断,判断,DRAWNULL) ,COLORFFF,LINETHICK2;

       DRAWICON(CROSS(趋势,判断),判断,1);

       DRAWICON(CROSS(趋势,顶部),顶部,2);

       LC:= REF(CLOSE,1);

       RSI:=SMA(MAX(CLOSE-LC,0),6,1)/SMA(ABS(CLOSE-LC),6,1)*;

       VAR1:=(HHV(HIGH,9)-CLOSE)/(HHV(HIGH,9)-LLV(LOW,9))*-;

       VAR2:=SMA(VAR1,9,1)+;

       VAR3:=(CLOSE-LLV(LOW,9))/(HHV(HIGH,9)-LLV(LOW,9))*;

       VAR4:=SMA(VAR3,3,1);

       VAR5:=SMA(VAR4,3,1)+;

       VAR6:=VAR5-VAR2;

       短线1: IF(VAR6>,VAR6-,0),COLORA6B8C1;

       VAR2Q:=REF(LOW,1);

       VAR3Q:=SMA(ABS(LOW-VAR2Q),3,1)/SMA(MAX(LOW-VAR2Q,0),3,1)*;

       VAR4Q:=EMA(IF(CLOSE*1.3,VAR3Q*,VAR3Q/),3);

       VAR5Q:=LLV(LOW,);

       VAR6Q:=HHV(VAR4Q,);

       VAR7Q:=IF(MA(CLOSE,),1,0);

       VAR8Q:=EMA(IF(LOW<=VAR5Q,(VAR4Q+VAR6Q*2)/2,0),3)/*VAR7Q;

       VR2:=REF(LOW,1);

       VR3:=SMA(ABS(LOW-VR2),3,1)/SMA(MAX(LOW-VR2,0),3,1)*;

       VR4:=EMA(IF(CLOSE*1.3,VR3*,VR3/),3);

       VR5:=LLV(LOW,);

       VR6:=HHV(VR4,);

       VR7:=IF(MA(CLOSE,),1,0);

       VR8:=EMA(IF(LOW<=VR5,(VR4+VR6*2)/2,0),3)/*VR7;

       VR9:=IF(VR8>,,VR8);

       主力进场:STICKLINE(VR9>-,0,VR9,3,0), , COLORFFFF;

       洗盘:IF(VR9<REF(VR9,1),VR9,0),COLORGREEN,NODRAW;

       STICKLINE(VR9<REF(VR9,1),0,VR9,3,0),COLORGREEN;

       短线获利:STICKLINE(REF("KDJ.J",1)<0 AND "KDJ.J">0,,,2,0),COLORYELLOW;

       VARK1:=(CLOSE-LLV(LOW,))/(HHV(HIGH,)-LLV(LOW,))*;

       VARK2:=REVERSE(VARK1);

       VARK3:=SMA(VARK1,3,1);

       逃顶:=CROSS(,RSI);

       STICKLINE( 逃顶,逃顶,,5,0),COLORFF;

       STICKLINE( 逃顶,逃顶,,3,0),COLORFF;

       STICKLINE( 逃顶,逃顶,,2,0),COLORFFAA;

       STICKLINE( 逃顶,逃顶,,1,0),COLORFFCC;

       D1:=(C+L+H)/3;

       D2:=EMA(D1,6);

       D3:=EMA(D2,5);

       BBUY:=CROSS(D2,D3);

       风险区:,COLORFFFF;

       安全区:,COLORYELLOW,POINTDOT;

       天线:,COLORFFFF;

       强弱线:,COLORGREEN,POINTDOT;

       DRAWICON(BBUY,(LOW *1),1);

       VARR1:=SMA(MAX(CLOSE-REF(C,1),0),6,1)/SMA(ABS(CLOSE-REF(C,1)),6,1)*;

       DRAWICON(CROSS(,VARR1),HIGH,);

       DRAWTEXT(CROSS(,VARR1),,'逃'),COLORYELLOW;

       MAV:=(2*C+H+L)/4;

       VAR9:=LLV(LOW,);

       VAR7:=HHV(HIGH,);

       SK:= EMA((MAV-VAR9)/(VAR7-VAR9)*,);

       SD: EMA(0.*REF(SK,1)+0.*SK,2);

       高抛:, POINTDOT;

       低吸:, POINTDOT;

       强弱分界:, POINTDOT;

       DRAWTEXT(CROSS(SD,),低吸,'●主力'),COLORF0FF,LINETHICK3;