1.腾讯T2I-adapter源码分析（3）-训练源码分析
2.大神用Python做个AI出牌器，设计实现财富自由附源码
3.AI与PDE（七）：AFNO模型的源码源码源代码解析
4.AI辅助编程插件：Sourcegraph Cody
5.ai-structure.com：新开源 GAN to PKPM/YJK的自动化建模程序
6.stable-diffusion-webui源码分析（10）-unet网络结构

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可控绘图的绘制追求日益高涨。为提升AI图像生成的设计可控性，Controlnet和T2I-adapter等解决方案应运而生。源码源码系列文章将从T2I-adapter的绘制生成树 源码源码出发，深入剖析其训练部分的设计实现原理。

       本篇我们将聚焦于训练源码的源码源码解析，通过代码结构的绘制梳理，了解T2I-Adapter的设计训练流程。

       训练代码的源码源码运行涉及数据处理、模型加载、绘制优化器设置以及实际训练过程。设计在第一部分，源码源码我们首先设置参数并加载数据，绘制如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、抽奖excel源码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的小草视界源码接近程度。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。

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ask指标源码手牌、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！

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模型的谷歌源码pixel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。

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。

ai-structure.com：新开源 GAN to PKPM/YJK的自动化建模程序

       在年4月日、4月日、5月5日和5月日，ai-structure.com平台连续发布了一系列重要更新，包括v0.0.4版本以及图神经网络在剪力墙设计中的应用、自动化建模源代码的生成对抗网络(GAN)到PKPM和YJK的转换工具。项目的初衷是通过AI设计建筑平面布局，随后由专业的结构软件进行分析和校核，以提高工作效率。

       其中，近期开源的代码亮点在于实现了从AI生成的结构方案到PKPM和YJK结构设计软件的自动导入功能。5月5日和更新的GAN-to-PKPM/YJK代码可在智能设计云平台上获取，链接位于 ai-structure.com/backen...

       新版本的程序能够自动处理AI设计的矢量数据(.gdt)文件，包含剪力墙、梁和楼板的详细结构信息。例如，剪力墙的数据如：SHEARWALL(Element_ID, X1, Y1, X2, Y2, thick)，梁的信息如：BEAM(Element_ID, X1, Y1, X2, Y2, thick, height)。这些数据被用于构建结构分析模型，利用PKPM和YJK的API进行进一步处理。

       在开发过程中，团队得到了PKPM和YJK技术专家的大力支持，特别需要注意的是，目前的分析模块尚未成熟，用户在使用时可能需要在结构软件中手动执行分析。此外，开发过程中遇到问题，可参考PKPM和YJK的官方群组或二次开发资料进行咨询。

       ai-structure.com团队诚邀专家一同参与代码的完善，未来会持续更新更多功能。如果你对这个项目感兴趣，可以通过QQ群或联系廖文杰liaowj@tsinghua.org.cn和费一凡fyf@mails.tsinghua.edu.cn获取更多信息。同时，网站上也提供了****。

       最后，团队表示对于PKPM和YJK的二次开发经验有限，开源代码可能存在不足，期待专家们的反馈和共同成长。未来，平台将继续关注并提供新内容，敬请关注。

stable-diffusion-webui源码分析（）-unet网络结构

       stable-diffusion-webui的源码分析深入探讨了unet网络结构在AI绘图中的关键作用。unet在去噪过程中起着核心作用，它接收prompt特征、latent特征和时间步特征，通过下采样和上采样过程生成新的特征。稳定扩散模型的unet结构基于原始unet，并进行了定制以嵌入文本信息。在webui的实现中，关键代码位于openaimodel.py，其中包含大量的初始化参数和组件，如ResnetBlock、SpatialTransformer和DownSample等。

       模型的构建通过__init__方法进行，参数丰富，配置文件v1-inference.yaml定义了这些参数。初始化代码中，会检查输入参数的有效性，并设置一些变量。时间编码（time_embed）是一个维度的向量，通过多个MLP层生成。input_blocks部分的conv_nd是卷积层，其参数根据配置进行设置，TimestepEmbedSequential则负责传递时间信息给各个模块。

       unet的结构复杂，包括内嵌的ResBlock和SpatialTransformer模块，以及通过循环进行的下采样和上采样。每层模块的添加和参数设置都有特定条件，如基于分辨率的注意力机制。通过分析，我们看到模型如何整合时间步和文本信息，通过ResBlock处理隐变量，通过SpatialTransformer实现注意力机制。

       最后，DownSample和UpSample模块用于调整特征的空间分辨率。总的来说，unet网络结构是stable-diffusion-webui中AI绘图背后的重要技术基础，深入理解其细节对于掌握AI创作过程至关重要。