论坛 › 人工智能 › Datawhale 魔搭 AI夏令营 第四期 AIGC方向 Tesk2 可图Kolors-LoRA模子进阶

篮之新喜 发表于 2024-9-3 12:13:40

Datawhale 魔搭 AI夏令营 第四期 AIGC方向 Tesk2 可图Kolors-LoRA模子进阶

AI生图的本领与范围



[*] AI生图的原理
        AI利用 深度学习技能来训练神经网络，训练过程中，神经网络会学习到真实图像中的纹理、结构、颜色等特性，并将这些特性应用于生成新的图像。从而生成具有高保真度的图像。训练后，通过输入关键提示词来让模子生成期待的图片。


[*] AI生图目前的本领
        目前，AI生图技能已经在多个领域显现出其强盛的本领。例如，通过AI，设计师可以创造出具有高保真度和传神度的游戏情况和人物，从而提供更加沉浸式的游戏体验。以下图片是Flux.1 文本生图模子显现的AI作图。
https://i-blog.csdnimg.cn/direct/0153792e7ea1420b8fb8408b6d5076d9.png


[*] AI生图的范围与风险

[*]尽管技能进步显著，AI生图仍然存在一定的随机性，用户难以完全控制生成的细节，例如在生成多个图片时，同一个人物可能差别一。
[*]AI生图模子可能在理解复杂语义和抽象概念上存在难度，例如对“红烧狮子头”等歧义或抽象概念的理解可能存在偏差。
[*]AI生成的内容可能涉及版权问题，尤其是在使用公开数据进行训练时，可能存在从训练数据中复制图像而不是生成新图像的风险。
[*]AI图像生成工具的低成本和易操作性可能导致信息滥用问题，如隐私泄漏和伪造欺诈。（这里尤其是要注意换脸技能导致的欺诈）


[*] 如何有效识别AI生图

[*] 观察图片的细节。仔细查抄人物的面部特性，尤其是眼睛和嘴巴
[*] 查抄光线和阴影。分析图片中的光源是否一致，阴影的方向是否与光源相符，是否存在不天然的光线或阴影
[*] 分析像素。放大图片，寻找是否有含糊或像素化的部分。
[*] 注意配景。查抄配景中是否有不协调的元素，比如物体边缘是否平滑，配景中是否有不天然的重复模式。


[*] 关注AI生图的利益

[*] 对于寻常人来说，可以制止被常见的AI生图场景诱骗，偶然也可以通过相关工具绘图
[*] 对于创作者来说，通过AI生图的工具可以快速提效，制作自己所必要的内容
[*] 对于技能人来说，了解AI生图的本领的玩法，可以更好地针对自己的业务进行开发和使用，甚至攻克困难开发更实用的工具
本期新朋友——通义千问



[*] 大模子-通义千问
        所谓打败魔法就要使用魔法，我们要想快速进阶AI生图，有一个好助手是事半功倍的，本日我们使用的是通义千问大模子来带领我们办理学习AI生图时的问题。
使用通义千问的办法很简朴如下
官方链接：https://tongyi.aliyun.com/qianwen/
https://i-blog.csdnimg.cn/direct/616743413ad5472d90e97486e584b136.png
https://i-blog.csdnimg.cn/direct/e277486cdd84477dbf0026c3d235c33e.png


[*] 使用大模子快速通关baseline代码
        在之前的Test1中，我们依照官方给的方法，使用baseline输出了自界说的图片。但是好学的你们肯定想知道每行代码什么意思，起到了什么作用，每个模块又是怎么互相作用在一起到达文本生图的这个结果的。那么我们可以请出代码小帮手通义千问快速通过baseline代码。
现在我们先把我们baseline中的所有代码整理出来，代码结构如下：
!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm


os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
      image = data["image"].convert("RGB")
      image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
      metadata = {"text": "二次元", "image": }
      f.write(json.dumps(metadata))
      f.write("\n")

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'# path to your dataset directory or file
np: 4# number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
      min_width: 1024
      min_height: 1024
      any_or_all: any
    - image_aspect_ratio_filter:
      min_ratio: 0.5
      max_ratio: 2.0
      any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
      metadata = json.loads(line)
      texts.append(metadata["text"])
      file_names.append(metadata["image"])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = ]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image# this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)# we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
      self.texts = df["text"].tolist()
      self.images = ]
      self.processor = processor

    def __len__(self):
      return len(self.texts)

    def __getitem__(self, idx):
      inputs = self.processor(text=self.texts, images=self.images, return_tensors="pt", padding=True)
      return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

import numpy as np
from PIL import Image


images =
image = np.concatenate([
    np.concatenate(images, axis=1),
    np.concatenate(images, axis=1),
    np.concatenate(images, axis=1),
    np.concatenate(images, axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image


[*]分析代码的主体架构
        起首我们可以对通义千问输入
：你是一个良好的python开发工程师，现在我们必要你帮我们分析这个代码的主体框架，你必要把代码按照工作流分成几部分，用中文回答我的问题。{此处更换前面的代码}
通义千问的输出结果为

[*] 安装和卸载依赖包
[*] 加载数据集
[*] 数据预处理
[*] 使用 Data-Juicer 进行数据处理
[*] 数据整理与训练
[*] 图像生成
[*] 归并图像
整个流程涵盖了从数据加载、预处理、特性提取、模子猜测到图像生成等多个方面。每一部分都有其特定的功能，共同构成了一个完整的二次元图像处理和生成的工作流。
下面是逐行代码及其中文注释：
# 安装 Data-Juicer 和 DiffSynth-Studio
!pip install simple-aesthetics-predictor # 安装simple-aesthetics-predictor
!pip install -v -e data-juicer # 安装data-juicer
!pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
!pip install peft lightning pandas torchvision # 安装 peft lightning pandas torchvision
!pip install -e DiffSynth-Studio # 安装DiffSynth-Studio

# 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime
from modelscope.msdatasets import MsDataset#引入数据集模块msdatasets
ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data" # 指定缓存目录
) # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime，赋值给参数ds

# 生成数据集
import json, os # 导入json和os模块
from data_juicer.utils.mm_utils import SpecialTokens # 导入SpecialTokens
from tqdm import tqdm # 导入tqdm进度条管理
os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建文件夹./data/lora_dataset/train
os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建文件夹./data/data-juicer/input
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)): # 遍历数据集ds
      image = data["image"].convert("RGB") # 将数据集的图片转换为RGB
      image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存数据集的图片
      metadata = {"text": "二次元", "image": } # 生成当前图片的索引数据
      f.write(json.dumps(metadata)) # 将索引数据写入文件./data/data-juicer/input/metadata.jsonl
      f.write("\n")

# 配置data-juicer，并进行数据筛选过滤
# 配置过滤的规则
data_juicer_config = """
# global parameters
project_name: 'data-process' # 名称
dataset_path: './data/data-juicer/input/metadata.jsonl'# 你前面生成的数据的索引文件
np: 4# 线程数

text_keys: 'text' # 文件./data/data-juicer/input/metadata.jsonl的描述的字段名
image_key: 'image' # 文件./data/data-juicer/input/metadata.jsonl的图片字段名
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl' # 筛选通过的图片结果保存的的索引文件

# process schedule
# a list of several process operators with their arguments
# 过滤的规则
process:
    - image_shape_filter: # 图片尺寸过滤
      min_width: 1024 # 最小宽度1024
      min_height: 1024 # 最小高度1024
      any_or_all: any # 符合前面条件的图片才会被保留
    - image_aspect_ratio_filter: # 图片长宽比过滤
      min_ratio: 0.5 # 最小长宽比0.5
      max_ratio: 2.0 # 最大长宽比2.0
      any_or_all: any # 符合前面条件的图片才会被保留
"""

# 保存data-juicer配置到data/data-juicer/data_juicer_config.yaml
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())
# data-juicer开始执行数据筛选
!dj-process --config data/data-juicer/data_juicer_config.yaml


# 通过前面通过data-juicer筛选的图片索引信息./data/data-juicer/output/result.jsonl，生成数据集
import pandas as pd # 导入pandas
import os, json # 导入os和json
from PIL import Image # 导入Image
from tqdm import tqdm # 导入tqdm进度条管理
texts, file_names = [], [] # 定义两个空列表，分别存储图片描述和图片名称
os.makedirs("./data/lora_dataset_processed/train", exist_ok=True) # 创建文件夹./data/lora_dataset_processed/train
with open("./data/data-juicer/output/result.jsonl", "r") as file: # 打开前面data-juicer筛选的图片索引文件./data/data-juicer/output/result.jsonl
    for data_id, data in enumerate(tqdm(file.readlines())): # 遍历文件./data/data-juicer/output/result.jsonl
      data = json.loads(data) # 将json字符串转换为对象
      text = data["text"] # 获取对象中的text属性，也就是图片的描述信息
      texts.append(text) # 将图片的描述信息添加到texts列表中
      image = Image.open(data["image"]) # 获取对象中的image属性，也就是图片的路径,然后用这个路径打开图片
      image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg" # 生成保存图片的路径
      image.save(image_path) # 将图片保存到./data/lora_dataset_processed/train文件夹中
      file_names.append(f"{data_id}.jpg") # 将图片名称添加到file_names列表中
data_frame = pd.DataFrame() # 创建空的DataFrame
data_frame["file_name"] = file_names # 将图片名称添加到data_frame中
data_frame["text"] = texts # 将图片描述添加到data_frame中
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig") # 将data_frame保存到./data/lora_dataset_processed/train/metadata.csv
data_frame # 查看data_frame


# 下载可图模型
from diffsynth import download_models # 导入download_models
download_models(["Kolors", "SDXL-vae-fp16-fix"]) # 下载可图模型
# DiffSynth-Studio提供了可图的Lora训练脚本，查看脚本信息
!python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h


# 执行可图Lora训练
import os
cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
--pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
--pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
--pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
--lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求
--lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
--dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
--output_path ./models \ # 指定输出路径，用于保存模型
--max_epochs 1 \ # 设置最大训练轮数为 1
--center_crop \ # 启用中心裁剪，这通常用于图像预处理
--use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
--precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用
""".strip()
os.system(cmd) # 执行可图Lora训练


# 加载lora微调后的模型
from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline
from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model
import torch # 导入torch
# 加载LoRA配置并注入模型
def load_lora(model, lora_rank, lora_alpha, lora_path):
    lora_config = LoraConfig(
      r=lora_rank, # 设置LoRA的秩(rank)
      lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重
      init_lora_weights="gaussian", # 初始化LoRA权重为高斯分布
      target_modules=["to_q", "to_k", "to_v", "to_out"], # 指定要应用LoRA的模块
    )
    model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中
    state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重
    model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配
    return model # 返回注入LoRA后的模型
# 加载预训练模型
model_manager = ModelManager(
    torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用
    device="cuda", # 指定使用GPU进行计算
    file_path_list=[
      "models/kolors/Kolors/text_encoder", # 文本编码器的路径
      "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径
      "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径
    ]
)
# 初始化图像生成管道
pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道
# 加载并应用LoRA权重到UNet模型
pipe.unet = load_lora(
    pipe.unet,
    lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致
    lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重
    lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径
)


# 生成图像
torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。
image = pipe(
    prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙", # 设置正向提示词，用于指导模型生成图像的内容
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像
    cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词
    num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长
    height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像
)
image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件


# 图像拼接，展示总体拼接大图
import numpy as np# 导入numpy库，用于处理数组和数值计算
from PIL import Image# 导入PIL库中的Image模块，用于图像处理
images = # 读取1.jpg到8.jpg的图像，转换为numpy数组，并存储在列表images中
image = np.concatenate([# 将四组图像在垂直方向上拼接
    np.concatenate(images, axis=1),# 将第1组（images）的两张图像在水平方向上拼接
    np.concatenate(images, axis=1),# 将第2组（images）的两张图像在水平方向上拼接
    np.concatenate(images, axis=1),# 将第3组（images）的两张图像在水平方向上拼接
    np.concatenate(images, axis=1),# 将第4组（images）的两张图像在水平方向上拼接
], axis=0)# 将四组拼接后的图像在垂直方向上拼接
image = Image.fromarray(image).resize((1024, 2048))# 将拼接后的numpy数组转换为图像对象，并调整大小为1024x2048像素
image# 输出最终生成的图像对象，用于显示图像
使用大模子来自界说文本生图

https://i-blog.csdnimg.cn/direct/3a1d674e142a4615be70306bb5acd7a3.pnghttps://i-blog.csdnimg.cn/direct/550373a726c6456faa90c3a1995ed917.png
 将这些复制到baseline自界说区域中
https://i-blog.csdnimg.cn/direct/cd82c50fe90c4494b8eced277de27281.png
 结果如下
https://i-blog.csdnimg.cn/direct/8e985a99a787459789396a0898b74668.jpeg
https://i-blog.csdnimg.cn/direct/053f6f82fb2d4c57bf6ccbef85b2a405.jpeg
https://i-blog.csdnimg.cn/direct/37966b2781514853a6e82e9fc2b6da97.jpeg
https://i-blog.csdnimg.cn/direct/068b8f279c26487d9c6a5a2317a33188.jpeg
https://i-blog.csdnimg.cn/direct/baffc304608b43e3a0a2b18b49240b1a.jpeg
https://i-blog.csdnimg.cn/direct/02aa4c13cad2450d8fc5420e478dba02.jpeg
 https://i-blog.csdnimg.cn/direct/f7af5ae0843a4599aedfad7c7e2f64ee.jpeg
 https://i-blog.csdnimg.cn/direct/915668bcc3fd4b9dad796cc0ca321fd8.jpeg
结语与筹划

        本次了解目前AI生图的前沿本领与范围，可以明显的发现，AI生图已经悄无声息的潜入了我们每一个人的生活中，因此，对它有一个充分，理性的对待是十分有必要的。我们也注意了AI生图的风险挑战，对于技能人员，这是他们必要重点办理的挑战，对于我们寻常人而言也要关注会给我们生活带来的不利影响。
        在大模子的资助下，我们可以快速理解代码，但是这样子理解总结的照旧差点什么，也许理解的不够深刻，照旧处于比较肤浅的对模子代码进行了认识。
        筹划再看些精选论文，增强这方面的知识储备，期待在下个Tesk学习。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

查看完整版本: Datawhale 魔搭 AI夏令营 第四期 AIGC方向 Tesk2 可图Kolors-LoRA模子进阶