1.tencent://message/?腾讯腾讯uin=627722999&Site=&Menu=yes？
2.怎么查看腾讯视频网的视频代码
3.开发一个小程序多少钱？
4.腾讯T2I-adapter源码分析（3）-训练源码分析
5.腾讯实名认证修改身份证安全吗
6.腾讯T2I-adapter源码分析（1）-运行源码跑训练
tencent://message/?uin=627722999&Site=&Menu=yes？
相信很多朋友在访问别人的博客、网上商城时可能会发现上都有这样的认证认证小玩意， 点击下就可以弹出对话框和主人进行对话，源码源码而且无需加对方为好友。腾讯腾讯一、认证认证腾讯提供的源码源码java web医药系统源码代码为：
<a href="tencent://message/?uin=&Site=JooIT.com&Menu=yes">
<img border="0" SRC='blogs.com/phinecos/HelloWorldProtocal.rar)
登陆你的QQ空间后点自定义（快捷键Ctrl+j，Alt+j）点新建模块→大图模块→输入或者粘贴刚复制的腾讯腾讯地址。然后点“更多设置”，认证认证点开之后下面有个显示边框，源码源码点“不显示”。腾讯腾讯上面有个连接地址输入：
tencent://message/?认证认证uin=*****&Site=www.qqkj.cn&Menu=yes
把上面地址中的*****改成你的qq号码，最后提交就可以了！源码源码
六、腾讯腾讯
参考资料：
1、认证认证Registering an Application to a URL Protocol
2、源码源码Register protocol
3、仿腾讯 QQ 和 Skype 通过URL触发自己的程序。
4、由Tencent://Message协议想到的一个解决方案。
怎么查看腾讯视频网的视频代码
查看腾讯视频网的视频代码操作步骤如下：
1、将视频内容用浏览器打开；
2、在空白处点击右键查看源代码；
3、内页查找ctrlF或者在浏览器的工具找到选项；
4、输入v.qq即可查到视频的代码；
5、如此即可将视频的网址截取。
开发一个小程序多少钱？
小程序开发的成本
1、小程序认证服务费 元，腾讯官方收取，这个没什么好说的;
2、域名费用，这个便宜，一般几十就可以;
3、爱生鲜源码服务器费用，主要取决于你的小程序注册会员数和日活数量，量越大，服务器要求越高，价格也就越贵。一般建议前期购买左右配置的。
4、功能开发费用
我们主要来说下小程序的开发费用。
不同的开发方式，开发一个微信小程序的价格也相对应不同!有三种开发方式，下面我们来分别说一下。
第一种 参照开放文档自行开发
难度：★★★★
价格：认证费+域名费用+服务器等费用，大概在1k左右。如果懂得JavaScript等代码编程基础的话，在创建一步上基本上可以做到零成本，只需要购买服务器和域名等这些“硬件”，总成本可以在1k以下,但是还是有一定难度的，如果您没有代码基础，不太建议采用这种。
第二种 找公司or 团队定制开发
难度：★★★
价格：1w起步
完全依靠第三方专业团队开发，人力成本会比较高，一般总成本会在1w到w，甚至更多。难度不大，但是价格也不便宜呀。
如果不懂代码，定制开发预算也不充足，还有一种办法，现在有许多模板开发小程序的平台，直接套用模板开发。
第三种 模板开发
难度：★
价格：-直接使用免费小程序模板，源码高亮显示除去其他必要的花费以外，我们就只需要购买版本，价格在几百到几千不等。只需要在平台上通过拖拽式自助搭建就可以啦。
经济实用，上线速度快。稳定性方面，更不用担心了。
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、tp源码加密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。
腾讯实名认证修改身份证安全吗
近日，影视源码社区有媒体报道称，腾讯实名认证系统存在身份证号码修改漏洞，让人们对其安全性产生疑虑。那么，腾讯实名认证修改身份证真的安全吗？
首先，我们需要了解腾讯实名认证系统的工作原理。腾讯实名认证是一种网络身份认证方式，用户需要提供真实身份证信息进行验证，才能使用一些需要实名认证的服务，如微信支付等。当用户需要修改身份证信息时，系统会要求用户进行重新认证，以确保信息的真实性和准确性。
然而，近期媒体报道指出，腾讯实名认证系统存在身份证号码修改漏洞。据称，攻击者可以通过修改网页源码的方式，篡改身份证信息，从而获得未经验证的身份信息。这种漏洞可能会被不法分子利用，从而进行诈骗、盗窃等违法活动。
对于这种漏洞，腾讯公司已经进行了回应。腾讯表示，他们已经发现了该漏洞，并已经进行了修复。同时，他们也呼吁用户尽快更新系统，以保证账户的安全性。
但是，对于一些用户来说，这种漏洞已经让他们对腾讯实名认证系统的安全性产生了疑虑。他们担心自己的身份信息会被不法分子**，从而导致财产损失和个人隐私泄露。
总的来说，腾讯实名认证系统的安全性还是比较高的。但是，像这种漏洞的出现，也提醒我们，网络安全问题还是需要引起足够的重视。我们应该保护好自己的身份信息，在使用网络服务的时候，要选择正规的、有信誉的平台，才能更好地保护自己的权益。
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，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。
