0·前言

AI產(chǎn)品無(wú)論是問(wèn)答類產(chǎn)品還是美術(shù)類產(chǎn)品從開(kāi)年火到了現(xiàn)在，同時(shí)也顛覆了很多原有的工作流程。現(xiàn)在更多的公司開(kāi)始引入AI開(kāi)始進(jìn)行工作流程之中，那接下來(lái)主要講一下在實(shí)際工作中使用的場(chǎng)景以及如何進(jìn)行本地部署。

在部署和訓(xùn)練的時(shí)候會(huì)有一定量的代碼問(wèn)題，這個(gè)需要和開(kāi)發(fā)同學(xué)進(jìn)行溝通。里面代碼都是通過(guò)AI以及開(kāi)發(fā)相關(guān)平臺(tái)搜到的，有錯(cuò)誤請(qǐng)聯(lián)系指正。

1·分類

Stable Diffusion-美術(shù)繪畫(huà)類產(chǎn)品

這里會(huì)有人提到Midjourney（后面簡(jiǎn)稱mj）,mj現(xiàn)在也很火而且的確能出高質(zhì)量的圖片作為參考，但是產(chǎn)品是屬于聯(lián)網(wǎng)屬性。可能會(huì)導(dǎo)致設(shè)計(jì)稿件以及最近的設(shè)計(jì)方向的泄漏，所以的話我才推薦Stable Diffusion這一類需要本地化部署的產(chǎn)品，不會(huì)讓公司的機(jī)密泄露出去。

ChatGPT-對(duì)話類產(chǎn)品

作為一個(gè)人工智能語(yǔ)言模型，使用自然語(yǔ)言處理技術(shù)，可以理解和生成人類語(yǔ)言。針對(duì)提問(wèn)者提供幫助和建議，并嘗試與用戶進(jìn)行自然而流暢的對(duì)話。能夠?yàn)樘釂?wèn)者提供便利和娛樂(lè)，幫助人們解決問(wèn)題和獲取信息，而且不會(huì)產(chǎn)生負(fù)面的情緒。就像是一個(gè)老師或者說(shuō)是專家的環(huán)境下GPT可以作為一個(gè)不厭其煩的老師對(duì)你的問(wèn)題進(jìn)行指點(diǎn)和解決。

并且已經(jīng)從3.5升級(jí)到了4.0.在實(shí)際的工作流之中，給與我的最大震撼是可以通過(guò)圖片識(shí)別出主題，并且能夠進(jìn)行過(guò)情緒方面的邏輯判斷這個(gè)點(diǎn)暫時(shí)沒(méi)想到在工作中如何進(jìn)行使用（也許可以直接進(jìn)行摳圖之類的）。

2·分別的應(yīng)用場(chǎng)景

2/1·Stable Diffusion

套系員工頭像

員工頭像可以是真實(shí)的照片，也可以是虛構(gòu)的圖像或符號(hào)。通常，公司或組織會(huì)要求員工提供一張清晰的照片，以便在其內(nèi)部系統(tǒng)中使用。一些公司還可能要求員工在其外部網(wǎng)站或社交媒體賬戶上使用公司標(biāo)識(shí)或公司品牌色調(diào)的頭像以增強(qiáng)品牌知名度。通常需要設(shè)計(jì)師（有的時(shí)候也被稱為美工）一個(gè)頭像一個(gè)頭像制作，效率相當(dāng)?shù)筒⑶覂r(jià)值也并不高。

用類似的風(fēng)格的大量喂圖，然后在引入照片和相連關(guān)鍵詞就可以快速生成頭像從而提高效率。

活動(dòng)圖/游戲圖標(biāo)/插畫(huà)/原畫(huà)參考

因?yàn)檫@4個(gè)場(chǎng)景類似我就進(jìn)行了合并處理，這個(gè)跟mj效果類似可以根據(jù)數(shù)據(jù)快速生成想要的圖，不過(guò)sd生成的效果現(xiàn)在看來(lái)質(zhì)量比不了mj。不過(guò)勝在不會(huì)泄密還是可以接受的。具體的效果需要看數(shù)據(jù)圖的質(zhì)量以及指令的精確與否。

關(guān)于游戲/插畫(huà)的部分再說(shuō)下，我已經(jīng)知道了幾個(gè)游戲UI以及插畫(huà)師朋友公司決定不再續(xù)約了，已經(jīng)再整理作品集去找工作了，所以多學(xué)點(diǎn)吧。

人物造型

這個(gè)在電商領(lǐng)域已經(jīng)開(kāi)始使用了，用AI生成模特之后調(diào)整動(dòng)作（骨架調(diào)整），然后把衣服傳到sd之上進(jìn)行替換。

我在相關(guān)的群里詢問(wèn)了幾個(gè)電商人，都說(shuō)是老板讓來(lái)學(xué)習(xí)的，就足以說(shuō)明了現(xiàn)在的AI已經(jīng)能沖擊到了電商模特行業(yè)了。

IP設(shè)計(jì)

之前的IP設(shè)計(jì)一般是需要有專業(yè)美術(shù)功底的設(shè)計(jì)師進(jìn)行設(shè)計(jì)，現(xiàn)在SD降低了門檻，只有準(zhǔn)確的指令和足夠的數(shù)據(jù)就可以生成不同的樣式進(jìn)行選擇。并且像之前難以繪制的IP的表情包，換到現(xiàn)在只是一個(gè)關(guān)于表情的指令。

2/2·ChatGPT

專家問(wèn)答

在實(shí)際工作中，無(wú)論是剛?cè)肼毜男氯诉€是進(jìn)入到公司一段時(shí)間的同學(xué)，他們對(duì)項(xiàng)目的背景以及行業(yè)背景并不是很清晰。這個(gè)在B端設(shè)計(jì)中比較常見(jiàn)，只要設(shè)計(jì)師/產(chǎn)品換一個(gè)公司即使是同樣的ERP、SaaS類型的產(chǎn)品整個(gè)業(yè)務(wù)邏輯都要重新去學(xué)習(xí)。

還有一種情況就是新人進(jìn)入之后是渴求老員工或者是團(tuán)隊(duì)專家來(lái)進(jìn)行培訓(xùn)帶領(lǐng)，實(shí)際情況是大家都在忙自己的事情很難抽出時(shí)間來(lái)帶領(lǐng)新人培訓(xùn)。即使是有時(shí)間，一般的老員工也不會(huì)帶新員工，因?yàn)闆](méi)有任何的收益。

但是有了“問(wèn)答機(jī)器人”老師/前輩進(jìn)行耐心的進(jìn)行教學(xué)，能使得新人能人能夠快速進(jìn)入到項(xiàng)目之中，降低新人的入門門檻和學(xué)習(xí)成本。即使是老人知識(shí)也是有限的，也可以通過(guò)問(wèn)答方式就可以找到問(wèn)題的解決方法。

高度數(shù)據(jù)整合

之前往往要搜索解決方式都是通過(guò)百度搜索多篇的文章或者是案例進(jìn)行結(jié)合分析，但是融入了GPT之后提問(wèn)者只要問(wèn)出合適的問(wèn)題就可以收到整合數(shù)據(jù)之后的方案，減少了提問(wèn)者去分析數(shù)據(jù)資料得出結(jié)論的時(shí)間。

數(shù)據(jù)測(cè)試

新手初次做數(shù)據(jù)測(cè)試時(shí)候，往往會(huì)不知道什么規(guī)則去埋點(diǎn)，可以直接給與指點(diǎn)甚至可以給以相關(guān)字段表格。

用戶問(wèn)題整合

用戶調(diào)研的出來(lái)的報(bào)告在做數(shù)據(jù)清理之后，往往要做用戶問(wèn)題整合是個(gè)很麻煩的事情，可以把記錄傳到AI上并且精準(zhǔn)進(jìn)行提問(wèn)。AI可以進(jìn)行問(wèn)題的整合，把清洗后的問(wèn)題進(jìn)行分類以及數(shù)據(jù)的統(tǒng)計(jì)。

訪談框架

主要是用于調(diào)研時(shí)候可以利用AI快速搭建一個(gè)完整的訪談問(wèn)題框架，從而不用一個(gè)一個(gè)問(wèn)題從零開(kāi)始搭建。

用戶訪談練習(xí)

這個(gè)功能我估計(jì)很多人都想不到這個(gè)功能，日常無(wú)論是邀請(qǐng)用戶還是請(qǐng)同事來(lái)做調(diào)研時(shí)間成本和金錢成本都不算的低的，很難找到合適訓(xùn)練對(duì)象。但是GPT就不一樣，沒(méi)有負(fù)面情緒可以配合演練者多次進(jìn)行演練，比較適合調(diào)研前的演練以及新手演練對(duì)象。

3·Stable Diffusion

再部署以及后期的啟動(dòng)時(shí)候需要一定的代碼知識(shí)，所以需要程開(kāi)發(fā)同學(xué)的幫助。

3/1·Stable Diffusion本地部署

方法

01·自己部署

電腦配置

電腦方面建議Win10/11的電腦，Mac的沒(méi)有辦法了。常見(jiàn)看的設(shè)備是內(nèi)存卡，顯卡和cpu,內(nèi)存卡推薦16G以上，顯卡不推薦A卡主要是調(diào)試的問(wèn)題比較多，4G的話只能出圖而且時(shí)間也比較長(zhǎng)。

基礎(chǔ)環(huán)境由3個(gè)軟件搭建：python，vcode，Git:

python:推薦3.10.6版本，組要是用于抓取數(shù)據(jù)

VScode:可以理解為記事本可以修改代碼

GIT:專用的下載器，可以下載相關(guān)的美術(shù)信息

最后通過(guò)一鍵整合包進(jìn)行

還有一種開(kāi)源的方式（不過(guò)要懂一些代碼）

安裝Python環(huán)境。Stable Diffusion需要Python 3.6或更高版本。如果您的計(jì)算機(jī)上沒(méi)有Python環(huán)境，請(qǐng)先安裝Python。

安裝必要的依賴項(xiàng)。在安裝Stable Diffusion之前，您需要安裝以下依賴項(xiàng)：

NumPy

SciPy

NetworkX

Matplotlib 您可以使用pip命令來(lái)安裝這些依賴項(xiàng)，例如：

plaintextCopy code
pip install numpy scipy networkx matplotlib

下載Stable Diffusion的源代碼。您可以從Stable Diffusion的GitHub頁(yè)面下載源代碼：https://github.com/leotrs/stable-baselines。

解壓源代碼并進(jìn)入項(xiàng)目目錄。使用以下命令解壓源代碼：

plaintextCopy code
unzip stable-baselines-master.zip

然后進(jìn)入源代碼目錄：

plaintextCopy code
cd stable-baselines-master

安裝Stable Diffusion。使用以下命令來(lái)安裝Stable Diffusion：

plaintextCopy code
pip install -e .

這將在您的計(jì)算機(jī)上安裝Stable Diffusion，并將其添加到Python環(huán)境中。 6. 驗(yàn)證安裝。運(yùn)行以下Python代碼，確保Stable Diffusion已成功安裝：

plaintextCopy code
import stable_baselines print(stable_baselines.__version__)

如果輸出了版本號(hào)，則說(shuō)明Stable Diffusion已經(jīng)成功安裝。 現(xiàn)在，您已經(jīng)成功在本地部署了Stable Diffusion。您可以使用它來(lái)進(jìn)行社交網(wǎng)絡(luò)分析和傳播建模。

3/2·Stable Diffusion如何訓(xùn)練

常規(guī)的訓(xùn)練有3種分別是：embeding、lora以及pernert。現(xiàn)在常見(jiàn)的也是最新的模式就是lora，能夠?qū)τ趫D片上所有的特征以及細(xì)節(jié)機(jī)型復(fù)刻，還能夠訓(xùn)練畫(huà)風(fēng)和固定任務(wù)的特征

準(zhǔn)備數(shù)據(jù)。LoRA模型需要一個(gè)社交網(wǎng)絡(luò)圖和一組初始種子節(jié)點(diǎn)。您可以使用NetworkX庫(kù)創(chuàng)建一個(gè)社交網(wǎng)絡(luò)圖，并選擇一些節(jié)點(diǎn)作為初始種子節(jié)點(diǎn)。例如，以下代碼創(chuàng)建了一個(gè)包含100個(gè)節(jié)點(diǎn)和300個(gè)邊的社交網(wǎng)絡(luò)圖，并選擇了前10個(gè)節(jié)點(diǎn)作為初始種子節(jié)點(diǎn)：

plaintextCopy code
import networkx as nx import numpy as np import random # 創(chuàng)建一個(gè)包含100個(gè)節(jié)點(diǎn)和300個(gè)邊的隨機(jī)圖 G = nx.gnm_random_graph(100, 300) # 隨機(jī)選擇10個(gè)節(jié)點(diǎn)作為初始種子節(jié)點(diǎn) seeds = random.sample(list(G.nodes()), 10)

創(chuàng)建LoRA訓(xùn)練器。在Stable Diffusion庫(kù)中，LoRA模型由LoRATrainer類實(shí)現(xiàn)。要?jiǎng)?chuàng)建一個(gè)LoRA訓(xùn)練器，請(qǐng)使用以下代碼：

plaintextCopy code
from stable_baselines import LoRATrainer # 創(chuàng)建LoRA訓(xùn)練器 trainer = LoRATrainer()

訓(xùn)練模型。使用train()方法訓(xùn)練LoRA模型。例如，以下代碼使用默認(rèn)參數(shù)在整個(gè)社交網(wǎng)絡(luò)圖上訓(xùn)練LoRA模型：

plaintextCopy code
# 訓(xùn)練LoRA模型 trainer.train(G, seeds)

在訓(xùn)練模型時(shí)，您可以指定以下參數(shù)：

steps=n：設(shè)置訓(xùn)練步驟的數(shù)量。默認(rèn)值為100。

offline_mode=True：使用離線模式進(jìn)行訓(xùn)練。

online_mode=True：使用在線模式進(jìn)行訓(xùn)練。

batch_size=n：使用小批量模式進(jìn)行訓(xùn)練，并將批量大小設(shè)置為n。 例如，以下代碼使用在線模式和100個(gè)訓(xùn)練步驟在整個(gè)社交網(wǎng)絡(luò)圖上訓(xùn)練LoRA模型：

plaintextCopy code
# 使用在線模式和100個(gè)步驟訓(xùn)練LoRA模型 trainer.train(G, seeds, online_mode=True, steps=100)

預(yù)測(cè)傳播結(jié)果。使用predict()方法預(yù)測(cè)給定初始種子節(jié)點(diǎn)的傳播結(jié)果。例如，以下代碼預(yù)測(cè)使用前10個(gè)節(jié)點(diǎn)作為初始種子節(jié)點(diǎn)在整個(gè)社交網(wǎng)絡(luò)圖上的傳播結(jié)果：

plaintextCopy code
# 預(yù)測(cè)傳播結(jié)果 result = trainer.predict(G, seeds) print(result)

在訓(xùn)練LoRA模型時(shí)，您可以根據(jù)自己的需求選擇不同的參數(shù)和不同的訓(xùn)練數(shù)據(jù)。

注意點(diǎn)

是配套的大模型效果更好，訓(xùn)練需要一個(gè)大模型才能訓(xùn)練參數(shù)的，如果沒(méi)有選擇當(dāng)初的，效果不盡如人意

最好使用跟作者一樣的參數(shù) 

正確設(shè)置使用的權(quán)重，不要設(shè)置到1以上，最好是09左右

一定要使用觸發(fā)詞：一定要看提示詞文檔

新手盡量不要使用多個(gè)lora（并不了解訓(xùn)練圖集）

美術(shù)資源主要來(lái)源于：civitai.com (俗稱：C站)

4·總結(jié)

利器能使優(yōu)秀者更新優(yōu)秀，平庸者更平庸。將來(lái)一定是會(huì)AI產(chǎn)品的和不會(huì)AI產(chǎn)品的競(jìng)爭(zhēng)。AI一定是未來(lái)，未來(lái)已至。