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php cc攻击源码而非英语。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，haspmap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。fileserver 源码训练结果显示，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uirecorder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，生成的源码 点胶机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。