1.腾讯T2I-adapter源码分析（1）-运行源码跑训练
2.暗黑2重制版几乎无望了，星际星际原因很简单，争霸转让争霸暴雪又把源代码弄丢了
3.win10下星际争霸II和Pymarl环境配置

腾讯T2I-adapter源码分析（1）-运行源码跑训练

       稳定扩散、源码源代midjourney等AI绘图技术，星际星际为人们带来了令人惊叹的争霸转让争霸效果，不禁让人感叹技术发展的源码源代mtk preloader源码日新月异。然而，星际星际AI绘图的争霸转让争霸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。源码源代为了使AI绘制的星际星际图像更具可控性，Controlnet、争霸转让争霸T2I-adapter等技术应运而生。源码源代本系列文章将从T2I-adapter的星际星际源码出发，分析其实现方法。争霸转让争霸

       本篇是源码源代第一篇，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轨道源码尝试（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，源码管家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megaglest源码例子，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。1.71源码先创建文件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。

暗黑2重制版几乎无望了，原因很简单，暴雪又把源代码弄丢了

       在年暴雪嘉年华上，尽管公布了许多新游戏，暗黑2重制版却未被提及，引发玩家关注。暗黑2呼声高，暴雪却无意回应，原因在于原始代码与重要设计资料在发行前丢失。

       暴雪曾凭借星际争霸重制版、魔兽世界怀旧服与魔兽争霸3重制版取得成功，但面对暗黑2重制的呼声，只能无奈表示无能为力。在ExileCon上，暗黑1与暗黑2初创团队设计师Erich与Max解释了原因。

       暴雪在暗黑2发行前丢失了原始代码和关键设计资料的备份，无法在原始代码基础上进行重制。暴雪似乎有“丢代码”传统，星际争霸1代码丢失后，玩家购买备份寄回，才有了星际1重制版。

       魔兽世界怀旧服的原始代码也未找到，由N服技术团队及代码重新开发。这表明，暴雪丢失代码已成为常态。暗黑2设计师透露，原始设计内容，尤其是艺术设计资料大量丢失，对重制构成巨大挑战。

       当初，设计师期望暗黑2卖出2万份已属成功，然而其销量高达万份，暗黑系列在全球范围内拥有几千万粉丝，暗黑2尤其受到玩家怀念。虽重制呼声高，但暴雪的“丢代码”传统使得暗黑2重制版几乎无望。

       玩家期待未来暗黑4能给予暗黑迷们慰藉。尽管无法重制暗黑2，但暴雪仍需关注玩家需求，挖掘潜力，创造更多经典游戏。期待未来暴雪在保持游戏品质的同时，能妥善保管代码，避免重蹈覆辙。

win下星际争霸II和Pymarl环境配置

       在Windows 环境下配置星际争霸II和Pymarl的具体步骤如下：

       要开始配置星际争霸II和Pymarl，首先需要解决可能遇到的其他运行错误。遇到问题时，你可以参考一些详细的运行结果截图以获取解决思路。这些截图通常会提供有用的线索，帮助你定位问题所在。你可以在这里找到相关的截图链接：[运行结果截图链接]

       源代码的获取和学习也非常重要。你可以从GitHub仓库获取StarCraft项目代码：[源代码链接]。此外，对于SMAC（Sequential Model-based Algorithm Configuration）和Pymarl（Python Multi-Agent Reinforcement Learning）的进一步理解和安装，以下链接会有所帮助：

       单独在Ubuntu上安装SMAC：[Ubuntu SMAC安装链接]

       安装非whiRL版本的Pymarl算法库：[Pymarl算法库安装链接]

       访问SMAC的官方文档：[SMAC官方地址]

       了解Pymarl的官方资源：[Pymarl官方地址]

       对于Windows+Ubuntu环境下安装的特别指南：[Windows+Ubuntu安装指南]

       一旦安装和配置完成，运行项目相对简单。可以参考['简单运行project的方法']文档，它会指导你如何启动并测试你的环境设置。遵循这些步骤，你将能够顺利在Windows 上配置星际争霸II和Pymarl环境。