1.ai֤?证件证件照制作般?Դ??
2.这个网站真的太香了！居然可以免费使用AI聊天工具和“智能AI聊天助手”项目源码！源码！流程！证件证件照制作般
3.AI与PDE（七）：AFNO模型的源码源代码解析
4.腾讯T2I-adapter源码分析（1）-运行源码跑训练
5.腾讯T2I-adapter源码分析（3）-训练源码分析
6.Autoware.io源码编译安装
ai֤??Դ??
本文系列文章之一，旨在深入解析利用AI可视化Java项目的流程研究登月源码实践。在之前的证件证件照制作般分享中，我们探讨了AI在Java项目中的源码应用，该系列文章已在AI破局星球、流程知乎、证件证件照制作般掘金等平台发布。源码关注与支持是流程我们前行的动力。
本文聚焦AI生成方法的证件证件照制作般Mermaid流程图。Mermaid是源码一款基于文本的流程图与时序图生成工具，允许用户通过简洁的流程文本描述语言构建复杂图示，适用于Markdown编辑器和直接在浏览器中打开。
Mermaid的基本语法简单易懂，支持多种图形和布局，使描述流程与关系变得直观。借助Mermaid，可以将代码逻辑转换为可直接在浏览器中浏览的流程图，大大便利了用户对Java项目的理解。
AI如何绘制流程图？在获取方法源代码后，通过提问AI模型，如GPT，即可生成Mermaid格式的流程图。通过精心设计的提示词，AI能以自然语言形式，清晰地展示代码逻辑，避免技术性描述，聚焦业务语义。流程图中的每个节点都会被明确标注，如"开始"与"结束"，并遵循特定的格式，确保信息的精准传达。
在AI绘制流程图的实践中，我们发现生成的图仅基于方法体代码，有时无法全面揭示方法的功能。为解决这一问题，电子签名源码可采用递归方式生成子方法的流程图，如在当前示例中，将对`alipayService.notify(params)`方法进一步分析，展示其内部流程，以实现更全面的理解。
通过上述方法，用户可以轻松地从项目入口开始，一路探索，直至所需内容，极大地降低了新团队成员的上手成本。在后续文章中，我们将分享如何生成项目的入口地图，敬请期待。
这个网站真的太香了！居然可以免费使用AI聊天工具和“智能AI聊天助手”项目源码！！！
在AI技术日益盛行的今天，许多开发者都在寻找免费且好用的AI工具。我经过三个月的探寻，终于发现了一个宝藏网站——云端源想！它不仅提供免费的AI聊天工具，还有令人惊喜的项目源码可以领取，对于编程新手和进阶者来说，简直是福音！
这个网站近期已正式上线，我强烈推荐的原因有三：首先，免费AI聊天工具和源码的双重福利，对于需要项目实战和提升技能的开发者来说，就像是及时雨；其次，网站的“微实战”版块提供了针对性强、价格亲民的项目实战项目，如商城支付功能，能快速提升开发效率；再次，智能AI工具中的问答功能尤其实用，能帮助解决写代码时的难题。
在社区动态中，你可以找到休息时的源码 fnc 文件轻松分享，而在编程体系课部分，虽然与其他网站相似，但云端源想的提炼知识点设计使得学习更加有针对性。在线编程功能则提供了协作开发的平台，而论坛则汇集了高质量的技术文章，供你参考和学习。
总的来说，云端源想网站不仅提供了丰富的免费资源，还通过实用的工具和学习资源，帮助开发者提升技能，是值得推荐的工具平台。别犹豫，赶快通过下方链接去体验这个网站的福利吧！
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。首先，AFNO模型的主干框架在afnonet.py文件中定义，通过类AFNONet实现。模型的核心功能封装在多个类与函数中，依据代码注释逐步解析。
在代码中，forward_features函数负责模型的核心逻辑，包括patch切割与mixing过程。这些操作由PatchEmbed类实现。位置编码self.pos_embed通过高斯初始化得到，增加模型的表示能力。
关键模块AFNO2d位于代码中，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模型的正版免费源码工作原理。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。
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，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，mysq源码下载而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。
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、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。
Autoware.io源码编译安装
要编译安装Autoware.io，首先请确保已安装ROS1，如Ubuntu .版本的Melodic。以下步骤将指导你完成依赖安装及源码编译过程。安装依赖
1. 对于CUDA的支持（可选但建议），你需要下载CUDA .0，链接位于developer.nvidia.com/cuda。安装时，遇到驱动安装询问时选择n，后续步骤默认安装即可。 2. 安装cudnn，从developer.nvidia.com/rd...获取并进行安装。在cuda目录下进行软链接配置，并通过验证测试。其他依赖安装
3. 安装eigen3.3.7，接着是opencv3，安装时需先安装依赖库，然后解压、配置和编译。源码下载与编译
4. 创建新的工作区，下载并配置工作区，然后下载Autoware.ai源码。 5. 使用rosdep安装依赖库，有CUDA版本和无CUDA版本两种编译方式。测试与问题解决
6. 下载并运行demo，可能遇到的问题包括编译错误和链接问题。问题1：calibration_publisher报错，需修改CMakeList.txt文件。
问题2：ndt_gpu编译错误，需替换Eigen3Config.cmake文件中的版本信息。
问题3：opencv链接问题，需要检查和调整。
问题4：rosdep更新慢，可通过修改源码和配置文件解决。
问题5：runtime manager花屏，需安装wxPython 4.和libsdl1.2-dev。
通过上述步骤，你应该能够成功编译并测试Autoware.io。如有任何疑问，查阅官方文档或社区论坛寻求帮助。AI辅助编程插件：Sourcegraph Cody
Sourcegraph Cody插件是一款免费的开源AI编码助手，提供代码编写、修复和自动完成功能，并能回答编码相关问题。Cody获取整个代码库的上下文，生成更好的代码，使用广泛的API、impl和习惯用法，同时减少代码混淆。虽然支持基本的聊天功能，但其专注于解决编程问题，不涉及与话题无关的对话。Cody适用于VS Code等开发工具，安装后需通过Sourcegraph账号授权。
以下是Cody插件的安装和使用步骤：
1. 访问Cody官网获取安装指导。
2. 插件安装后需授权，对于VS Code用户，通过登录Sourcegraph账号即可使用。
3. 对于其他IDE如IDEA，需安装插件后在设置中输入Access tokens。在Sourcegraph官网创建新的token密钥，保存到IDEA的Cody设置中。
4. 使用Cody时，只需输入代码问题或请求解释，如解释源码类的方法。
Cody插件提供免费使用，相比其他非官方插件，其功能和价值较高，适合编程人员作为日常辅助工具。通过集成Cody，可以提高代码开发效率，解决编程问题，推荐给广大编程爱好者和专业人士使用。
