avatar
Articles
834
Tags
257
Categories
173

Yan 的杂物志_个人主页分享
Search
ts_tsfresh
Created2023-08-25|2_Note0_Technic2_算法9_时序
时间序列分析工具包–tsfresh Pasted image 20211127213158.png 1 简介 官方文档:https://tsfresh.readthedocs.io/en/latest/index.html 源码:https://github.com/blue-yonder/tsfresh Star:目前 6.1K 笔者推荐:看一遍官方文档,再试一下源码中的例程 tsfresh/notebooks/examples/ 介绍: 可对应的长短不一的周期序列进行时间序列特征的提取。 能够自动地从时间序列数据中提取上百种基本的时序特征,如:峰数量,均值,最值等等 2 适用性 2.1 适用 自动地提取时序数据特征,扩充建模时的特征维度 只基于时间序列的聚类、分类和回归任务。 2.2 不适用 不适用于在线数据 不适用于对时间序列数据直接训练建模(sklearn 更加适合)。 不适用于高度不规则的时间序列,对于此类数据,tsfresh 可用于与时间间隔无关的特征提取(如峰值数量);但对于非等间隔的数据(如趋势)应谨慎使用。 3 安装 1$ pip install ...
markdown解析器
Created2023-08-25|2_Note0_Technic3_编程Python
1 python markdown 解析器 mistletoe Star 665 主要支持 CommonMark Markdown mistune Star 2.3k 较量级 markdown_it Start 16.1k javascript 库 markdown Star 3.4k 对 pandoc 支持相对较好 功能比较强大 帮助页:https://python-markdown.github.io/ markdown2 Start 2.5k 用于转 html 2 mistune 2.1 github 地址 https://github.com/lepture/mistune 2.2 输入 markdown,输出 html 文本。 123import mistunemistune.markdown('I am using **mistune markdown parser**')# 输出: <p>I am using <strong>mistune markdown parser</strong>&l ...
PGSQL使用方法
Created2023-08-25|2_Note0_Technic3_编程数据库
#数据存储/PGSQL 1 概念 1.1 PGSQL 与 MySQL 在开源方面,PostgreSQL 是一个完全开源的数据库管理系统,MySQL 分为两个版本:开源版本和商业版本。 数据类型方面,PostgreSQL 提供了丰富的内置数据类型,包括数组、JSON、HSTORE(键值对)等。 PostgreSQL 对 SQL 标准的支持较好,支持更多高级 SQL 功能。 性能方面,PostgreSQL 支持表分区、并行查询和内置的复制功能,使其适用于大规模应用。 1.2 schema 在 PostgreSQL 中,schema 是一个命名空间,它可以包含数据库对象的名称,如表、视图、索引、数据类型、函数以及运算符。在一个数据库中可以存在多个 schema,它们都有各自的命名空间。这使得多个用户可以在同一个数据库中使用相同的表名,因为它们在不同的 schema 中。 相关 SQL 命令: CREATE SCHEMA:创建一个新的 schema, DROP SCHEMA:删除一个 schema ALTER SCHEMA:更改一个已存在的 schema 的属性 2 建立服务器环境 1 ...
AI绘画_SD_下载模型
Created2023-08-25|2_Note0_Technic2_算法8_图形图像AI绘画
1 模型下载 Stable Diffusion (简称 SD) 模型主要从 Huggingface, github, Civitai 下载。 Huggingface:主要提供主流 AI 绘画模型下载。 github:也有一些小模型放在 github 下供下载使用。 Civitai:AI 艺术共享平台,可下载海量 SD 开源模型(推荐)。 2 模型类别 SD 支持不同类型的模型,比如:基础模型,Lora,ControlNet,VAE,CLIP 等。模型扩展名一般为 ckpt,safetensors,pt,pth 等。下面介绍几种最重要的模型。 3 基础模型 3.1 介绍 基础模型一般包含完整的 TextEncoder、U-Net、VAE。 模型大小一般为 2-8G,真实风格模型相对 2D 风格模型更大。 目前最新的模型是 SDXL 1.0(约占 8G 显存),最常用的模型是 SD 1.5(约占 4G 显存)。 需要手工下载后,复制到 models/Stable-diffusion/ 目录下,才可识别和使用。 3.2 推荐 v1-5-pruned-emaonly:默认模型,偏真实风格,可 ...
AI绘画_SD_搭建环境
Created2023-08-25|2_Note0_Technic2_算法8_图形图像AI绘画
一周之内体验了:Diffusion,CLIP,Segment Anything,Insightface,LoRA,ConnectNet 诸多算法的实际应用,全部是本地部署,0 花费。 1 选择 AI 绘画工具 目前 Ai 绘画界有两大主流工具,Midjourney(简称 MJ)和 Stable Diffusion(称 SD)。 MJ 于 2022 年 3 月首次面世,已从 V3 模型发展至 V5 模型,SD 由 Stability AI 公司和非营利研究人员在 2022 年 8 月推出的,可在本地免费部署。 MJ 更适合新手入门,10 刀/月,30 刀/月,60 刀/月三档收费;低付费的图片是共享的,高付费服务能一对一出图;学习提示词门槛低;有一定的审核要求,敏感词比较多;少量设置后的画面看起来就很炫,但不太受控,自娱自乐还行,难以稳定输出。 SD 可以设置大量参数,下载海量模型,本地部署,提示词百无禁忌,针对实际工作中的目标,更需要 SD 来定制。它需要本地硬件支持,以及更高的学习成本。 如果只想玩一下,国内也有一些免费平台,浏览器端和手机端微信端都有,就是生成效果比较差。 从两个 ...
AI绘画_SD_界面操作
Created2023-08-25|2_Note0_Technic2_算法8_图形图像AI绘画
1 介绍 本文将介绍 Stable Diffusion 的具体使用方法。首先,介绍界面中的重要元素,如图所示: 1. 基础模型:基础模型是最重要的设置项 文生图:选项卡列出了各大功能,文生图指通过文字生成图片 图生图:图生图指通过图片和文字生成图片 修复照片:用于优化图片,提升精度,常用来修复旧照片 设置:软件设置,VAE 模型可在此设置 插件:用于安装和管理插件,注意命令行启动时应允许安装插件 提示词:提示词分为正向提示和负向提示,负向提示用于限制可能的问题 采样方式:常用 Euler a,DPM2++2M Karras 提示词相关性:设置画面与提示词的相关性,一般设为 5-10,如果太高,色彩会过于饱和 扩展模型:设置基础模型的附加模型,Embedding 和 LoRA 模型就在此设置(换了模型后,要刷新一下 LoRA,才能显示对应版本的 LoRA) 生成按钮:按此按钮生成图片 2 提示词 2.1 提示词格式 提示词用于描述待生成的图像内容 提示词可支持中文,但不如英文理解的好 多个提示词可用逗号隔开,无需符合英文语法 对提示词加权重: 用小括号把关键词括起来(curly ...
论文阅读_扩散模型_LDM
Created2023-08-25|2_Note0_Technic2_算法8_图形图像AI绘画
1234567英文名称: High-Resolution Image Synthesis with Latent Diffusion Models中文名称: 使用潜空间扩散模型合成高分辨率图像地址: https://ieeexplore.ieee.org/document/9878449/代码: https://github.com/CompVis/latent-diffusion作者:Robin Rombach日期: 2022-06-01引用: 2275 1 读后感 Latent Diffusion Models(LDMs)基于潜空间的扩散模型,是目前主流的基础模型,Stable diffusion 就是基于 LDMs 原理工作的。之前的扩散模型运算都在像素层面,优化通常会消耗数百个 GPU 天,且评估和推理成本也很高。LDMs 大量自编码器的运算基于潜空间数据,降低了计算复杂度,从而大幅节省了算力,并保持了图像质量和灵活度,它让更多人可以训练模型。其应用场景包含有条件(根据文本或图像生成图像)和无条件(去噪/着色/根据涂鸦合成)的图像生成。 研究背景和动机 扩散模型是由逐层去噪的自 ...
统计程序运行时间
Created2023-08-25|2_Note0_Technic3_编程Python工具
1 方法一:使用 time 函数 12345678import timestart = time.clock()#待统计程序段dur = (time.clock() - start)print("Time used:", dur) 2 方法二: 在 Jupyter 的 cell 开始处加关键字 time,统计代码段运行时间 1%%time 注意:使用该方法可能影响 debug 信息输出,debug 时请注意关闭 3 方法三: 在程序行前加关键字 time,统计代码行运行时间 1%time 程序行 4 方法四: 使用 cProfile 模块生成脚本执行的统计信息文件(运行时间,调用次数),使用 pstats 格式化统计信息,并根据需要做排序分析处理 4.1.1 示例 1234567891011121314151617import cProfileimport pstatsimport redef a(): re.compile("foo|bar")def b(): for i in range(50000): a() ...
论文阅读_生成模型_VAE
Created2023-08-24|2_Note0_Technic2_算法8_图形图像AI绘画
英文名称: Auto-Encoding Variational Bayes 中文名称: 自编码变分贝叶斯 论文地址: http://arxiv.org/abs/1312.6114 时间: 2013 作者: Diederik P. Kingma, 阿姆斯特丹大学 引用量: 24840 1 读后感 VAE 变分自编码(Variational Autoencoder)是一种生成模型,它结合了自编码器和概率图模型的思想。它的目标是:解决对复杂性高,且量大的数据难以拟合的问题。具体方法是:使用基于变分推理的原理,以变分下界作为目标函数,用梯度方法求取模型参数。 2 通俗理解 听起来非常抽象,简单地说:变分自编码器是自编码器的改进版。 2.1 自编码器 自编码器通常由编码器和解码器两部分组成,其中编码器将原始数据映射到低维表示,解码器则将低维表示映射回原始数据空间。即:原始数据为 x,将其输入编码器降维后,变成数据 z,再经过编码器还原成数据 x'。它常用于高维数据的低维表示和从低维表示中生成高维数据。比如:图像去噪,修复图片,生成高分辨率图片等。 2.2 变分自编码器 变分自编码器在中间加了一 ...
论文阅读_扩散模型_SDXL
Created2023-08-23|2_Note0_Technic2_算法8_图形图像AI绘画
123456英文名称: SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis中文名称: SDXL:改进潜在扩散模型的高分辨率图像合成论文地址: http://arxiv.org/abs/2307.01952代码: https://github.com/Stability-AI/generative-models时间: 2023-07-04作者: Dustin Podell 1 读后感 SD 是语言引导的扩散模型。SDXL 是 2023 年 7 月 Stable Diffusion 新发的大模型框架,它是潜在扩散模型(LDM)扩展。其主要效果是:加强了画面细腻度,优化了构图,以及对语言的理解能力。 我对比了 SD 1.5 和 SDXL 模型,感觉速度差不太多,个人感觉:图片质量,对文字的理解略有提升,可能因为目前 SDXL 的基模比较少,用的还不太多。个人理解,目前阶段,无论是 AI 写作,绘画还是编程,都需要与人和其它工具深度结合,远不到可以独立解决问题,自动生成最终成果的阶段,但确实能提 ...
1…313233…84
avatar
Yan.xie
顺流而下还是逆流而上?
Articles
834
Tags
257
Categories
173
Follow Me
Announcement
This is my Blog
Recent Post
优化阅读过程2025-07-14
对谈_250706_关系中的尊严2025-07-14
稳定币2025-07-14
MCP_实用场景讨论2025-07-14
国内外云主机价格对比2025-07-12
Categories
  • 0_IMO78
    • 工作1
    • 方法1
      • 工作1
    • 说给一个人听76
      • 01_自我建构29
        • 实修3
        • 思考与觉悟14
Tags
自然语言处理/工具 关系抽取 Android 图形图像 自我调节 社会学 菜谱 自然语言处理/统计方法 艺术 效率 饮食 深度学习/工具 版本管理 社会评价 #论文阅读 咖啡拉花 心理 android Python/图形图像 生物医学 旅游 人际关系 主观能动性 编程语言/C 语音 数据存储 自动驾驶 概率分布 机器学习/XGBoost 后端 Paper 自然语言处理/大模型 数据存储/PGSQL 自我剖析 异常检测 自信 辅助编程 日常技能 股票 特征工程
Archives
  • July 202528
  • June 202539
  • May 202530
  • April 202516
  • March 20259
  • February 20252
  • January 20256
  • December 20242
Info
Article :
834
Total Count :
1154.1k
UV :
PV :
Last Push :
©2020 - 2025 By Yan.xie
Framework Hexo|Theme Butterfly
京公网安备11010802043346号
京ICP备2023029600号-1
Search
Loading the Database