使用AI创绘你心中的绝美绘卷
原创
开源项目地址：alembics/disco-diffusion (github.com)
环境需求
1.腾讯云GPU服务器GN7
2.Windows Server 2019 数据中心中文版
3.python环境
4.jupyter
5.git环境
开始体验
使用master登录到服务器
安装环境
python环境这里推荐使用anaconda创建虚拟python环境，而且anaconda也自带了jupyter，非常方便。
在anaconda官网下载好安装包之后双击安装。跟随其提示进行下一步即可。然后我们运行anaconda。
anaconda官网：https://www.anaconda.com
在git官网下载git并安装。官网：https://git-scm.com
打开Git用git clone克隆项目代码
git clone https://github.com/alembics/disco-diffusion
直接在jupyter里面运行笔记本，会自动安装所有依赖，安装完依赖的目录是这样子的
我们会看到jupyter笔记本的变化
我这里换了清华的源，下载比较快一些
这段比较慢，需要耐心等待。
下载完成后我们就可以体验AI绘画了，一般默认设置无需更改，只需填写描述词即可。
下面是一些参数的描述：
width_height是期望的最终图像大小，应该设置为64px的倍数，并且在默认的CLIP模型设置上至少设置为512px。如果忘记使用64px的倍数，DD会调整图像尺寸。
steps是迭代步数，越高细节越多。
下面的几个摘自文档解释，前面测试可以不改动。
clip_guidance_scale:(5000|1500-100000) CGS是希望CLIP在每个时间步向提示符移动的程度。一般越高越好，但如果CGS太强，就会超出目标而扭曲图像。
tv_scale:(0|0-1000)总方差去噪。可选，设置为零关闭。控制最终输出的“平滑”。如果使用，tv_scale将尝试平滑您的最终图像，以减少整体噪声。如果你的图像太“脆”，增加tv_scale。电视去噪在保持边缘的同时平滑平滑平坦区域的噪声。参见https://en.wikipedia.org/wiki/Total_variation_denoising
range_scale:(150|0-1000)可选，设置为0表示关闭。用于调整颜色对比度。更低的range_scale将增加对比度。非常低的数字会减少色彩，从而产生更有活力或像海报一样的图像。对于更弱的图像，更高的range_scale会降低对比度。
sat_scale:(0|0-20000)饱和刻度。可选，设置为零关闭。如果使用，sat_scale将有助于缓解过饱和。如果你的图片太饱和了，增加sat_scale来降低饱和度。
init_image:可选的。回想一下，在上面的图像序列中，第一个显示的图像只是噪声。如果提供了一个init_image，扩散将用init_image代替噪声作阿为它的启动状态。要使用init_image，请将图像上传到Colab实例或您的谷歌驱动器，并在这里输入完整的图像路径。
如果使用init_image，可能需要将skip_steps增加到总步骤的50%，以保留init字符。有关进一步的讨论，请参阅上面的skip_steps。
init_scale:(1000|10-20000)它控制CLIP尝试匹配所提供的init_image的强度。这与上面的clip_guidance_scale (CGS)进行了平衡。初始尺度太大，在扩散过程中图像不会有太大的变化。CGS太多，init镜像会丢失。
cut_batches:(4|1-8)每次迭代，AI将图像切割成更小的部分，称为cuts，并将每个切割与提示进行比较，以决定如何引导下一步扩散。更多的剪切通常可以产生更好的图像，因为DD在每个时间步中有更多的机会微调图像精度。
这款里就是最关键的短语设置部分，text_prompts就是短语，0：是第一帧，如果是动画可以设置从哪一帧开始变风格，单个图片就设置一句就行。image_prompts是基于哪张图片进行生成，这个也很有意思可以自己选图片实验。
怎么设置好的确是门艺术，不过大概有场景描述就可以生成，有喜欢的艺术家也可以加上，还有时间，地点也可以。
不得不说，腾讯云GPU服务器真方便啊，随时随地体验大数据AI，比本地香的多啊。
最后展示几张Ai生成的图~
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。