1.代码跑五个小时正常吗
2.手把手教你将小程序项目跑起来真自律小程序
3.腾讯T2I-adapter源码分析（1）-运行源码跑训练

代码跑五个小时正常吗

       正常。代跑代跑如果是源码纯写，没有可拷贝和利用的平台源代码的话，一个小时写-行代码比较正常，软件那么5个小时可写-行代码，代跑代跑评价代码质量一般按千行BUG数，源码快手视频 解析 源码这样的平台速度写出来的第一版程序千行BUG数以上为较差。

手把手教你将小程序项目跑起来真自律小程序

       在猫宁一公众号中回复源码，软件获得下载链接，代跑代跑下载并解压小程序项目文件。源码

       打开项目文件，平台编辑server/config.js文件，软件将红框标注处替换为您的代跑代跑信息。

       查找qcloudAppId、源码qcloudSecretId、平台qcloudSecretKey，请登录腾讯云，点击链接：/capi，获取AppID、第三方支付接口源码SecretId、SecretKey。

       登录微信公众平台(mp.weixin.qq.com/)，进入开发设置，找到appId、appSecret信息。

       如无小程序账号，请点击注册链接并下载开发者工具。搭建前端开发环境，导入项目至微信开发者工具，完成前端环境搭建。

       搭建本地后端开发环境，作为后端服务器。在MySQL数据库中创建数据表，粘贴语句创建opinions和records数据表。

       启动项目前，请打开终端，安装SDK和sass插件。五笔输入法源码SDK用于获取微信用户身份的唯一标识(openId)，sass插件支持scss语言运行，确保无安装错误。

       运行npm run dev在项目目录启动前端代码，在server目录下启动后端代码。在微信开发者工具中查看项目效果。

       项目开发全程由猫宁一全栈程序媛全程指导，更多全栈项目代码与课程目录请关注猫宁一公众号并回复源码获取。

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。缩量过左峰选股公式源码本系列文章将从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，微信H5欢乐牛牛源码其一是在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。