1.三万字文并茂手牵手教你docsify文档编写|有源码
2.如何用 Cloudflare 搭建自己的图片图片图床？
3.aiimagegenerator怎么入库
4.OpenHarmony 实战开发PhotoView——支持缩放、平移、仓库仓库旋转的源码源码一个优雅的三方组件
5.硅基流动开源ComfyUI节点：没有GPU也能跑可图Kolors
6.好玩儿的Docker项目10分钟搭建一个内置转换功能的图床——Picsur
三万字文并茂手牵手教你docsify文档编写|有源码
在年2月日，我已将网站上docsify教程的图片图片从本地迁移至图床，以提升用户体验。仓库仓库 点击此处，源码源码收银软件源码您可以快速浏览网站的图片图片实时效果，尽管初次加载稍显缓慢，仓库仓库但后续加载速度将显著提升。源码源码首页设计具有吸引力，图片图片展示了docsify的仓库仓库强大功能。 教程详细介绍了docsify的源码源码各个功能，包括黑夜模式、图片图片灵活的仓库仓库侧边栏设计、可点击复制的源码源码代码块以及外部链接的便捷支持。此外，我们还整合了gitalk评论插件，增加了互动性。 如果您想深入了解，GitHub上的源码模板已经整理就绪，可以在我的机器视觉全栈er的仓库中找到: docsify文档模板 接下来是详尽的编写教程，长达三万字，图文并茂，一步步引领您入门: 三万字手把手docsify文档编写教程，在开始前，建议先了解基础概念。 分享选择docsify的原因，这是基于个人使用体验：不选择微信公众号：功能受限，不符合需求。
gitbook被排除：可能因为界面或操作不够直观。
不喜欢wordpress的外观：重视界面美感。
ghost因其庞大和备份不便，不便于管理。
而docsify凭借简洁、易用和适应我的需求，成为我的首选。如何用 Cloudflare 搭建自己的图床？
搭建自己的图床
在搭建图床时，Cloudflare 成为了一个便捷的选项。此项目为初学者设计，提供了一个免费的托管方案，类似于Flickr或imgur。
此项目在 GitHub 上收获了2,颗星标，显示了其受欢迎程度。借助Cloudflare Pages 和 Telegraph，用户可以轻松创建自己的图床。
搭建步骤简单，用户需要拥有域名、GitHub账号和Cloudflare账号。虽然可使用非自有域名，但使用自己的运营级即时通讯源码出售域名更佳。
GitHub 是一个在线软件源代码托管平台，使用Git作为版本控制工具。Cloudflare 则是全球领先的CDN加速服务商，提供网站加速和保护服务。
在GitHub搜索此代码仓库，或直接点击链接。Fork仓库后，按照流程操作。在Cloudflare中，创建应用并连接至Git。
连接GitHub账号，选择存储库并开始设置。所有设置默认即可，部署程序通常在一分钟内完成。
部署后，显示成功信息，并可见图床网址。若链接访问受限，稍等几分钟即可。
使用自定义域名？在Cloudflare中设置，确认DNS已修改至Cloudflare提供服务。未修改时，需在域名管理后台进行调整。
搭建完成，但缺少管理后台。通过创建KV命名空间，设置用户名和密码，可访问图床后台。
在图床设置页面，绑定KV命名空间并添加环境变量。重新部署以启用设置。通过图床地址后的/admin进入管理后台。
复制地址简单，将鼠标置于上，右键复制链接。图床显示已上传数量，并提供删除功能。
通过此GitHub项目搭建图床，流程便捷，适合初学者。
aiimagegenerator怎么入库
1. 可以通过以下步骤将aiimagegenerator入库。
2. 首先，将aiimagegenerator的文件或代码导入到你所使用的开发环境中。这可以通过下载aiimagegenerator的源代码或使用包管理工具来完成。 导入aiimagegenerator的文件或代码是将其引入到你的项目中的第一步，这样你才能够使用它的功能和特性。
3. 接下来，根据你所使用的数据库类型，创建一个新的unix第六版源码注释数据库或选择一个已有的数据库来存储aiimagegenerator的数据。 aiimagegenerator可能需要存储一些数据，例如图像生成的参数、结果等，因此需要一个数据库来进行存储和管理。
4. 在数据库中创建一个适当的表或集合来存储aiimagegenerator的数据。这个表或集合的结构应该与aiimagegenerator的数据模型相匹配。 为了能够有效地存储和检索aiimagegenerator的数据，需要定义一个合适的数据结构，以便于对数据进行管理和操作。
5. 使用适当的方法或工具将aiimagegenerator的数据插入到数据库中的相应表或集合中。 将aiimagegenerator的数据插入到数据库中是将其真正存储起来的关键步骤，这样你就可以在需要的时候进行查询和使用。
6. 最后，确保你的应用程序或系统能够正确地连接到数据库，并能够使用aiimagegenerator的数据进行相应的操作和功能。 入库只是将aiimagegenerator的数据存储到数据库中的一部分过程，你还可以进一步优化和扩展这个过程，例如添加数据校验、索引等，以提高数据的完整性和检索效率。
要将aiimagegenerator入库，首先需要下载并安装aiimagegenerator的软件包或库文件。然后，在你的项目中导入该软件包或库文件的相关模块。
接下来，根据官方文档或使用说明，编写代码实现对aiimagegenerator的调用和使用。
在代码中，你需要配置相应的参数，例如输入、生成的类型、样式等。
最后，编译运行你的项目，确保代码没有错误并能够成功生成和输出。通过这样的步骤和过程，你就能够成功将aiimagegenerator引入到你的项目中，实现相关的图像生成功能。
1. 入库
2. aiimagegenerator可以通过以下步骤进行入库：首先，将aiimagegenerator的软件安装到计算机上，并确保系统满足软件的运行要求;然后，根据软件提供的指引，选择要入库的文件或者通过摄像头进行实时拍摄;接下来，使用软件提供的功能和选项对进行处理和编辑，以满足入库的要求;最后，将处理好的保存到指定的数据库或者图库中，完成入库操作。
3. 值得注意的是，aiimagegenerator的数码宝贝游戏源码下载安装入库过程可能因具体的软件版本和使用环境而有所差异，可以参考软件的官方文档或者向相关技术支持人员咨询，以获得更准确和详细的入库指导。此外，入库的选择和处理也需要根据具体的应用场景和需求进行调整和优化，以获得更好的效果和使用体验。
要将aiimagegenerator入库，首先需要确保你已经安装了aiimagegenerator的软件包或库。
然后，你需要创建一个数据库，并在其中创建一个表来存储生成的图像数据。
接下来，你需要编写代码来连接到数据库，并将生成的图像数据插入到表中。你可以使用适当的SQL语句来执行插入操作。
最后，你可以使用查询语句来检索和使用存储在数据库中的图像数据。
确保在插入和检索图像数据时，使用适当的编码和解码方法，以确保数据的完整性和正确性。
要将aiimagegenerator入库，首先需要确保已经安装好了所需的开发环境和依赖库，然后可以通过以下步骤来完成入库：
1. 首先，从源代码仓库或官方网站上下载aiimagegenerator的源代码。
2. 解压源代码，并进入该目录。
3. 打开终端或命令提示符，切换到该目录下。
4. 运行适当的命令来构建和编译aiimagegenerator的代码。
5. 确保所有依赖项都已正确安装，并通过运行测试来验证安装的正确性。
6. 如果一切正常，将生成的库文件(.dll、.so或.dylib)复制到你计划使用aiimagegenerator的项目中。
7. 最后，确保在使用aiimagegenerator的代码中正确引用和调用库文件，并将其链接到你的项目。请注意，具体的步骤可能因aiimagegenerator的版本和所使用的开发环境而有所不同。因此，建议查阅官方文档或开发者指南，以获取更详细和准确的安装指南。
OpenHarmony 实战开发PhotoView——支持缩放、平移、旋转的一个优雅的三方组件
PhotoView是OpenAtom OpenHarmony系统的三方组件，专为缩放及浏览而设计。其便于声明式应用开发，提供缩放、平移、旋转功能，劳力士防伪溯源码怎么查询能极大地提升应用的处理效率与用户体验。
在OpenHarmony应用开发中，PhotoView能显著提高处理的便利性，无论是图库应用的实现还是其他需要浏览功能的场合，仅需导入组件并通过调用接口即可迅速实现浏览效果。
对于开发者而言，使用PhotoView意味着在开发环境下，只需要安装DevEco Studio 3.0 Beta3及以上版本的IDE与支持OpenHarmony API version 9或更高版本的SDK，即可高效实现操作。
具体而言，使用PhotoView组件主要包含以下几个步骤：
- 下载组件，并导入至Page页面。
- 创建Model对象，设置源。
- 调用相关方法实现效果，如平移、缩放、旋转。这些操作的基础是通过手势触发，计算在操作前后的位移，并更新的Matrix矩阵以呈现视觉效果。以平移为例，通过调用UpdateMatrix方法后更新Matrix即可完成操作。
为了方便开发者，PhotoView提供了完整Demo源码及文件结构示例。可访问指定Gitee仓库链接获取组件和详细文件布局信息。
此外，PhotoView组件的源码和使用指南均已开源。如对介绍内容和Demo感兴趣，欢迎开发者自行研究与使用，共享技术经验和成果，共筑和谐开发者社区。
硅基流动开源ComfyUI节点：没有GPU也能跑可图Kolors
可图Kolors，快手的文生图开源模型，一发布即引起开源社区强烈反响，短短几天内，GitHub上收获2k星标，Huggingface模型下载排行榜第一。国产文生图模型的崛起振奋人心，但大部分用户在本地部署和体验可图面临难题。为此，硅基流动团队开源了BizyAir节点，这是一个专用于ComfyUI的节点仓库，首批节点中包含可图Kolors。现在，无需GPU，无需下载模型，用户也能用可图极速生成。
BizyAir还同步上线了一个小惊喜，开源了SiliconCloud LLM节点，让GLM4、DeepSeek V2 Chat这类顶尖大语言模型接入ComfyUI，帮助用户在工作流程中生成、提炼提示词。以DeepSeek V2 Chat为例，利用SiliconCloud LLM节点，用户可以省去G硬盘空间和8张A以上显卡的高昂部署成本。
可图Kolors功能强大，但其部署有门槛。可图完整下载高达G，对本地存储空间和显存提出较高要求。此外，可图采用的ChatGLM3模型在提升语义能力的同时，也增加了显存消耗，使得本地显存小于G的用户需要采用有损量化或牺牲推理速度的策略运行可图。
硅基流动开源的BizyAir节点解决了这一问题，用户无需搭配环境、模型下载与模型部署，同时提供基于专用生成推理引擎OneDiff的优化，有效缩短生成时间和成本。用户还可以一键无缝接入已有ComfyUI工作流，自由组合或替换本地节点。
使用可图Kolors在ComfyUI中操作非常简单，仅需两步：
1. 安装BizyAir：在ComfyUI Manager中搜索“BizyAir”即可完成安装。Windows用户也可以通过源码、Comfy-cli安装，或下载独立的压缩包。具体步骤可见硅基流动官网。
2. 快速开始：设置API密钥，首次使用需通过“Set SiliconCloud API Key”来生成API密钥（访问cloud.siliconflow.cn/ac...），之后节点即可删除，重启程序无需重新输入。使用BizyAir节点，所有功能均在“☁️BizyAir”目录下，其中包括利用大型语言模型精炼提示词、翻译或执行其他任务的“☁️BizyAir SiliconCloud LLM API”节点，以及用于快速文生图的“Kolors”相关节点，如Kolors Sampler、Text encoding、VAE decoding、VAE encoding等。
此外，图生图功能也已集成。快来尝试吧！
好玩儿的Docker项目分钟搭建一个内置转换功能的图床——Picsur
本文介绍了一个名为Picsur的开源图床项目，它是一个易于使用、可自托管的分享服务，类似于Imgur，并内置转换功能。它的界面简洁，用户可以上传，设置的有效期和格式，同时还可以看到上传的所有。Picsur的特色是它包含了EXIF数据，全称为"Exchangeable Image File Format"，是一种包含各种关于照片信息的数据格式，可以帮助用户更好地管理。
在搭建Picsur的过程中，文章详细介绍了如何通过GitHub官方仓库获取项目源码，以及搭建环境的具体步骤。建议使用腾讯云的轻量应用服务器，因为其“轻量”的特点，更适合小白上手。安装系统、登陆服务器、安装Docker与Nginx Proxy Manager等步骤均有详细说明。创建安装目录、打开服务器防火墙以及访问网页的操作也都有详细的步骤指导，包括如何创建目录、如何修改文件、如何查看端口占用情况、如何进行反向代理等。
在搭建过程中，文章还介绍了如何购买域名、如何进行域名解析和如何使用Nginx Proxy Manager进行反向代理的详细步骤。对于使用宝塔面板的用户，文章也提供了反向代理的配置方法。使用教程部分提供了如何使用Picsur和如何更新以及卸载项目的指导，同时强调了项目的维护和开发需要大家的共同参与和支持。
文章结尾对使用过程中可能出现的问题进行了总结，并鼓励用户在遇到问题时在GitHub上提Issues或在评论区交流，同时也欢迎有能力的用户参与到项目中来，为项目的开发贡献自己的力量。最后，文章表达了对项目开发人员的感谢。
Squoosh - 谷歌出品的免费开源压缩工具，大小减少%！支持 API 开发调用
谷歌出品的免费开源在线压缩工具，效果惊人，支持多种格式。
Squoosh 是一款易于使用的在线图像压缩工具，由谷歌开发。它能大幅减少大小，提供惊人的压缩比，适用于设计 UI 切图、自媒体文章配图及 PPT 配图等场景。此工具面向开发者推广了谷歌自家的 webp 图像格式。
使用Squoosh压缩相当简便，在浏览器中打开其网址，选择或直接拖拽进入网页，Squoosh便会自动生成压缩预览。通过拖动中间的分隔线，用户可以直观对比压缩前后的效果，并在左下方查看压缩后的文件大小。用户还能调整输出格式、修改质量，最后直接下载。
尽管Squoosh在线工具功能炫目，但针对批量压缩需求的支持有限，目前仅能一张张压缩，用户体验稍显不足。而且，该工具目前仅提供英文界面，对于非英文用户来说，高级压缩选项中涉及的图像专业术语可能不易理解。
谷歌推出Squoosh的初衷旨在帮助开发者降低大小，同时保持质量，从而提高用户上网体验。为此，Squoosh提供了命令行接口（CLI）和API开发方式。开发者可以通过API方便地将压缩功能集成到项目中。
通过node.js在后端使用Squoosh的API，开发者可以访问GitHub代码仓库中的指定目录获取更全面的API调用。Squoosh支持与Tinypng等其他免费压缩工具进行比较。虽然Tinypng也提供API和免费额度，但其每月免费额度有限，且需要注册开发者账号。相比之下，Squoosh不仅完全免费，源代码也完全开源，是大厂中难得的良心之作。
Squoosh遵循Apache License 2.0协议，源码托管在GitHub上，个人和公司均可免费使用，甚至将源码应用于自己的项目中。值得注意的是，虽然可以在GitHub仓库主页下载并运行Squoosh，实际操作后，它会基于本地环境搭建压缩工具。详细了解开发接入相关信息时，需查找对应的目录。
Linux上部署Stable Diffusion WebUI和LoRA训练，拥有你的专属生成模型
Stable Diffusion是当前图像生成领域炙手可热的模型之一，广泛应用于艺术创作、游戏开发与设计模拟等领域，以其开源生态和易用性受到创作者的青睐，与Midjourney相比，最大的优势是完全免费，且拥有庞大的社区资源。 本地部署Stable Diffusion首选Stable Diffusion WebUI，但设备要求较高，通常至少需要4G显存。对于寻求稳定服务的用户，云服务器部署是更佳选择。本文将记录Linux环境下部署Stable Diffusion WebUI，并采用LoRA训练专属生成模型的全过程，旨在为有类似需求的用户提供帮助。Stable Diffusion
Stable Diffusion是Diffusion Model的改进版，其网络结构主要包含三个部分：完整的Stable Diffusion网络结构。LoRA
LoRA，即Low-Rank Adaptation，是一种轻量级的大模型微调方法，适用于文本生成模型GPT与图像生成模型Stable-Diffusion。通过在模型特定部分引入低秩结构进行微调，以减少计算资源需求，同时保持原有性能，适应特定应用场景。 LoRA通过在模型旁边增加旁路，进行降维与升维操作。训练时固定原始模型参数，仅训练降维矩阵A与升维矩阵B。模型输入输出维度不变，输出时将BA与原始模型参数叠加。Stable Diffusion WebUI
Stable Diffusion WebUI提供了友好的网页界面，基于Gradio实现，让用户轻松访问与使用Stable Diffusion的图像生成能力。对于Windows用户，推荐使用B站@秋叶aaaki的免费启动器和安装包。本文主要介绍Linux环境下安装与部署。WebUI下载与安装
推荐从源码直接安装，终端操作如下： 通过一键启动脚本，自动配置项目环境并安装依赖包，但可能遇到网络问题，如GitHub与HuggingFace网站访问失败。解决方法如下： 在launch_utils.py中调整prepare_environment函数，将涉及GitHub仓库的依赖替换为ghproxy.com镜像。 调整HuggingFace网站访问问题，使用国内镜像网站hf-mirror.com，通过临时添加环境变量重试启动webui.sh。 成功启动后，通过浏览器访问本地http://.0.0.1:，即可看到WebUI界面。部署云端时，根据公网IP或内网/Linu虚拟机端口映射调整本地浏览器访问。模型类型介绍
Stable Diffusion涉及模型类型分为：大模型（基座模型）与用于微调的小模型。大模型（基座模型）
大模型包含TextEncoder、U-Net与VAE，官方提供模型包括sd1.5、sd2与sdxl等，社区模型在此基础上微调。注意，若输出发灰，可能与VAE使用不当有关，需手动添加。 模型格式为pt、pth、ckpt等，safetensors是无风险文件格式，权重内容一致。小模型
用于微调的小模型通常分为文本与图像类型，用于风格定制。模型权重获取
获取模型权重推荐以下方式：开源社区下载
主要推荐两个开源社区，找到模型，查看信息、提示词，右键复制链接或点击下载。Model Scope（国内）
Model Scope提供机器学习模型，搜索下载所需模型。Hugging Face（国外）
Hugging Face需使用梯子访问，操作与Model Scope类似。WebUI使用
下载模型权重，放置在models/stable-diffusion与models/Lora文件夹，WebUI自动识别。使用界面，选择大模型开始画图。LoRA模型训练实战
本地部署Stable Diffusion WebUI后，通过训练LoRA模型实现风格定制。本文将通过案例指导训练专属LoRA模型。下载lora-scripts
使用终端git下载lora-scripts仓库，确保包含所有子模块。准备训练数据集
搜集特定风格，生成描述文件，使用WebUI批量生成描述，确保文件名称遵循格式。LoRA训练
修改train.sh脚本，执行训练操作。生成模型文件保存至outputs/文件夹，复制至stable-diffusion-webui的models/Lora目录，即可使用。总结
本文介绍了Linux环境下部署Stable Diffusion WebUI与LoRA模型训练的全过程，希望能帮助用户避免部署过程中的常见问题。感谢阅读。
