1.clipԴ?源码븴??
2.NovelAI怎么达到naifu的效果 NovelAIWebUI调参方法
3.Proximal Policy Optimization(近端策略优化)
4.Chrome升级后 overflow-x: clip 失效了
5.看到一张图不知道怎么画？Stable Diffusion反推提示词插件！
clipԴ?复现븴??
回顾之前的文章，我们成功将训练稳定扩散（SD）模型时所需的源码显存降低至G以下，使用的复现是批量大小为2的设置。现在，源码让我们探讨如何用中文召唤神奇宝贝，复现tpay源码下载而非英语。源码
数据准备阶段，复现可以选择通用翻译软件进行翻译，源码市面上有很多选择。复现对于懒人来说，源码这里提供了一个链接，复现包含翻译文件和提取码。源码
为支持中文，复现最直接的源码方法是对输入提示进行翻译，但翻译中难免会出现诸如“总线”翻译成“bus”、“罐头”翻译成“can”等问题。因此，从根本上解决问题，需要训练自己的中文模型。
参考IDEA研究院的太乙-Stable Diffusion模型，我们采用训练自己的中文模型策略。在稳定扩散的三要素中，原始SD训练中为了保持强大的文本能力，选择冻结VQGAN和Clip-TextEncoder，腾讯tsf源码仅训练Diffusion。而对于接受中文的SD模型，我们需要两个步骤：选择支持中文编码的模型，以及进行相应的编码。
支持中文编码的模型有很多，如CLIP结构的模型。这里，我们选择chinese-clip作为中文编码器，因为它既能与原始SD模型适配，又能考虑编码效果。
确定编码器后，进行编码操作。在配置文件中，文本编码器类（cond_stage_config）通常为ldm.modules.encoders.modules.FrozenCLIPEmbedder。打开对应类后，发现它将CLIP文本的last_hidden_state用作文本表示，在扩散模型中与图像进行交叉注意力。
我们模仿CLIP-encoder编写中文Clip的encoder，最终结果如下图所示。在配置文件中，记得更新cond_stage_config为新的chinese_clip。
接下来，在主训练脚本中进行调整，仅训练encoder部分。yocto源码下载训练结果显示，diffusion模型参数未更新，而encoder部分有更新。训练过程中，显存消耗情况良好。
总结，我们介绍了训练中文SD模型的策略，并尝试复现了方案。对于希望省时省力的读者，可参考提供的代码。下一次文章，我们将探讨SD模型中模态间和模态内的融合技巧。敬请期待。
NovelAI怎么达到naifu的效果 NovelAIWebUI调参方法
今天要为大家带来的是NovelAI怎么达到naifu的效果 NovelAIWebUI调参方法，一起来看看吧。（本文转载自b站用户：秋叶aaaki）
最近有很多人在由初步尝试naifu带来的乐趣以后，不满足与naifu的参数限制想要更高级的面板于是转而使用了WebUI。
但是很多人在刚开始使用WebUI的时候会发现：这怎么画的这么难看 比naifu差远了
今天来带领大家调整WebUI达到naifu的效果
可能也有人看过其他UP主做的视频、专栏设置过了，那么请直接看第三部分我来讲解这样有什么限制、真的能完全还原吗？（不能哦）
一. 设置
打开WebUI，点击Settings。
往下翻，把这两个设置改为和我一样的dvr程序源码
Eta noise seed delta：
Stop At last layers of CLIP model：2
改完后 不要忘记回到最顶上点这个保存！！！
二. 验证
tag: masterpiece, best quality, 1girl, cat ears, hair_bow, school uniform, twintails
负面tag:lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry
Steps: ,Cfg: , 分辨率：x，种子：
如果你画出了和我这张一样的图，恭喜你，修改成功！
三. 限制
这么更改，其实还是在某些情况无法还原的。这种情况就是在大量使用强调符号的情况下
也就是naifu版本的{ }，webui版本的( )。如果使用这个括号，那么他们强调的倍率是不一样的，无法简单的只替换符号
在naifu版本的代码中，大括号是1.倍的
而在webui版本中，他是1.1倍的！
使用这两个括号导致的区别是基本上教你改设置的绝大部分视频、专栏都没有强调过的，而往往在实际使用中，这个强调用的括号是被广泛使用、甚至是滥用的情况
这就导致了naifu版本的咒语、无论怎么调整也在webui版本里无法复现！
那么如何进行括号的转换呢？推荐大家看看这位up主写的，
点击查看
教你如何在WebUI中生成接近NovelAI官网的效果并进行相似度测试
这里直接复制过来做个总结
{ xxxx} = (xxxx:1.^大括号数量)
也就是1.的n次方
例子如下（复制的上面专栏）
{ masterpiece}=(masterpiece:1.)
{ { masterpiece}}=(masterpiece:1.)怎么算的？(1. = 1*1.*1.)
（但是我这么换算以后，生成的东方娱乐源码图仍然有极其细微的差别目前还没搞明白为什么）
如果你真的想%还原而不去手动计算那复杂的乘法，只有改代码一条路啦~
代码的具体位置我在上面的截图中已经截到了，直接去搜索然后改就可以了
四. 其他技术细节
是个什么登西？
在naifu源码里，这个是噪声随机数种子加上的一个数字，也就是对应的Eta noise seed delta
以上就是NovelAI怎么达到naifu的效果 NovelAIWebUI调参方法的全部内容，希望对大家有帮助。更多攻略资讯关注游戏网。
Proximal Policy Optimization(近端策略优化)
近端策略优化（PPO）算法是强化学习领域中广泛应用的一种方法，其理论基础源自TRPO。在探索如何通过现有数据提升策略并控制策略更新的幅度方面，PPO提出了一种简化且高效的方法。相较于TRPO，PPO采用了一阶泰勒展开，并通过技巧确保新旧策略之间的距离不会过大，从而达到与TRPO相同的效果，但操作更为简便快捷。
PPO算法分为基于惩罚和基于Clip两种实现。基于惩罚的PPO将KL散度作为惩罚函数，而非硬约束，基于Clip的PPO则将优化函数转换为Clip函数，取得了良好的效果。本文着重介绍基于Clip的PPO。
在策略梯度方法中，目标是最大化策略收益，转化为优化策略参数的函数。PPO中的策略优化函数包含控制新旧策略距离的超参数。其中，clip函数用于限制新旧策略距离，确保策略更新不会过于激进，破坏策略近似条件。
clip函数在PPO中起到关键作用。当剪切值大于0时，策略应增加该动作的概率，即调整策略向旧策略靠近；反之，调整策略远离旧策略。在实际应用中，clip函数通过图像直观表示，使策略更新过程清晰明了。
引入clip函数后，优化函数变为直接使用梯度进行策略更新，回归到策略梯度的基本原理。PPO的具体步骤包括：通过clip函数限制策略更新幅度，然后利用损失函数调整策略参数，最终实现策略的优化。
在PPO的实现中，开源代码简洁高效，为强化学习研究者提供了便利。stable_baselines3是强化学习库中的一款工具，封装了多种流行算法，如DQN、PPO等，简化了模型训练过程。通过stable_baselines3，用户无需自行复现代码，即可调用这些算法评估模型性能，节省研究时间。
在使用stable_baselines3时，只需设置关键参数，模型即可自动开始训练，并实时输出训练进度和收益情况。训练完成后，模型效果可通过可视化展示，同时模型也能够被保存，便于后续使用。
Chrome升级后 overflow-x: clip 失效了
遇到页面布局问题，问题出在Chrome升级后overflow-x: clip失效。查看同事和自己浏览器版本，发现问题只在升级后的Chrome.0..中出现。
页面使用flex弹性布局，结构简单，左边定宽，右边自适应。复现问题后，发现右边元素未如预期自适应，而是被table撑大，剩余内容被裁剪。原因是table宽度超过剩余空间，且右边元素flex-shrink: 0，不会缩小，导致问题。
通常处理方法是使用overflow-x: hidden隐藏超出区域或overflow-x: auto让右侧区域可滚动。然而，这里使用了overflow-x: clip，根据MDN文档解释，clip会在溢出截断边缘上的溢出内容被截断。距元素内边距框指定宽度范围内的内容溢出。clip与hidden的区别在于clip还禁止所有滚动，包括程序性滚动，且不会创建新的格式化上下文。
查阅Chrome 版本发布说明，未发现与overflow-x: clip相关改动。代码中也未找到特别使用overflow-x: clip的理由。因此，暂时将overflow-x: clip替换为overflow-x: hidden解决问题。问题得到解决，页面布局恢复正常。
若有关于使用overflow-x: clip的问题或建议，欢迎分享。
看到一张图不知道怎么画？Stable Diffusion反推提示词插件！
在AI绘画过程中，有时会遇到无法复现他人作品的挑战，尤其是当别人提供的提示词或模型不匹配时。面对这种情况，一个有效策略是尝试反推画面内容。 但传统方法如CLIP和DeepBooru在反推效果上往往不尽人意。举个例子，假设你看到了一张描绘一个小女孩在田野中仰望外星飞船的画面。使用CLIP反推后，得到的提示词“a girl standing in a field looking at a large object in the sky with a bird flying over it”将外星飞船误识别为鸟类。而DeepBooru给出的提示词更为单词堆砌，但相对更接近画面描述。 现在，介绍一款性能更优的反推插件——tagger。您可以在GitHub上找到其安装地址：/toriato/stable-diffusion-webui-wd-tagger。安装时，通过“扩展-从网址安装”，将链接复制并点击安装即可。注意，若已开启远程访问，请先关闭再重启，以确保在本地安装成功。安装完成后，刷新界面，您会发现新增了tagger插件按钮。 使用tagger插件反推后，获得的提示词为“cloud, sky, 1girl, day, aircraft, outdoors, brown hair, windmill, scenery, from behind, field, flower, solo, airship, airplane”，比DeepBooru更加精准。然而，有趣的是，将“windmill”误删后重新生成的，结果是展示了一个大风车，这或许是一个小小的幽默插曲。 总之，面对AI绘画中难以复现的挑战，通过反推策略并利用性能更优的插件，如tagger，可以有效提升作品的复现精度。尽管偶尔会出现一些小插曲，但每一次尝试都是对技能的提升和理解的深化。
