1.永恒之塔进不去问题
2.Stable Diffusion详解与模型源码
3.网游单机版目前行情
4.腾讯T2I-adapter源码分析（1）-运行源码跑训练

永恒之塔进不去问题

       你不用瞎忙活了，源码这是泄漏永恒之塔自身的问题，我用硬件检测还说我可以顺畅运行了，源码说什么，泄漏恭喜你，源码您可以体验永恒给你带来的泄漏会员培训源码全新体验了。结果遇到了和你一样的源码问题，问了盛大服务商，泄漏说是源码我的芯片组不对，我无语了，泄漏就是源码说除非我换电脑，否则没戏。泄漏

Stable Diffusion详解与模型源码

       Stable Diffusion，源码由CompVis、泄漏Stability AI和LAION共同推出，源码是一种在任何文本输入下生成逼真图像的潜在扩散模型（Latent Diffusion Model）。其创新之处在于通过在较低维度的latent空间上应用扩散过程，而不是直接使用像素空间，以降低内存和计算复杂度。该模型使用LAION-5B数据集中的高清进行训练，尺寸为x，结合冻结的CLIP ViT-L/文本编码器进行条件设置。Stable Diffusion的轻量级设计，使其具备在多台消费级GPU上运行的能力，模型参数包括M UNet和M文本编码器。

       Stable Diffusion的推理过程简洁高效。以输入“a photograph of an astronaut riding a horse”为例，模型会生成相应的。其推理流程如图所示。st 电机库 源码Stable Diffusion具有两个输出。首先，U-Net在文本嵌入指引下，通过多次迭代（通常为次）去除latent image representation的噪音。调度器算法，如Denoising Diffusion Probabilistic Models（DDPM）或Denoising Diffusion Implicit Models（DDIM）等，基于上一次预测的latent image representation与噪音残差，预测新的去噪后的latent image representation。

       最终，去噪后的latent image representation通过Variational Autoencoder（VAE）的解码器转换回与用户提示相匹配的图像。VAE模型由编码器和解码器组成，编码器将图像转换为低维潜在表示，解码器则将潜在表示转换回图像。在潜扩散训练过程中，编码器得到图像的潜在表示，用于前向扩散过程，每一步增加噪声。在推理过程中，反向扩散过程产生的去噪后的潜在波通过VAE解码器转换为图像。

       Stable Diffusion的文本编码器负责将输入提示转换为U-Net可以理解的嵌入空间。它通常是一个基于转换器的编码器，将一系列输入标记映射为潜在文本嵌入。在训练期间，稳定扩散不训练文本编码器，而是使用CLIP已经训练的文本编码器CLIPTextModel。

       AutoencoderKL的模型结构包括编码器和解码器，编码器将图像转换为低维潜在表示，用于前向扩散过程。dolphin-player 源码解码器则将潜在表示转换回图像。在潜扩散训练中，编码器得到图像的潜在表示，用于生成过程。在推理阶段，反向扩散过程产生的去噪后的潜在波通过解码器转换为与用户提示相匹配的图像。

       参考文献

网游单机版目前行情

       网络游戏单机版目前的行情呈现出蓬勃发展的态势。在年，《传奇》源代码泄露后，私服行业迅速兴起。随后，“网游单机版”作为建立在私服之上的模式，与私服行业紧密相连。这种模式主要通过获得私服服务器进行个人单机架设，同时也可以通过自行研发制作模拟器来进行私服活动。随着网络技术的飞速发展和经济利益的驱动，私服事业蓬勃发展，网游单机版也不断壮大。

       当前，市面上已知的网络游戏单机版达多款，网页单机游戏更是有多款，种类繁多。以下介绍几款热门的网游单机版本：

       魔兽世界安装方式：“一键端”，目前版本包括台服4.0.6、国服3.3.5、国服3.3.2和台服4.0.3。GM系统方面，已编译了大量的如何阅读redis源码代码文件，并且已知的GM工具包括大芒果GM工具等。外网系统方面，支持简单外网架设。

       诛仙安装方式：“手工架设”，目前版本为免费。GM系统方面，已知的GM工具包括iwebphp等。外网系统同样支持简单外网架设。

       诛仙2安装方式为“手工架设”，目前版本免费。架设环境包括Linux、Colinux、Mc-slax、CENTOS等系统。神魔大陆网游单机版本包括MC诛仙2私服职业双数据库纯端、Mysql/Mssql任意切换！诛仙职业服务端和诛仙职业纯端等。

       诛仙2·末日与曙光安装方式为“手工架设、一键端、纯端”，目前版本免费+。架设环境支持RedHat Linux、Colinux、CENTOS等系统。蓝色畅想诛仙职业全能双数据库Mysql+Mssql端，配套客户端和工具齐全。由朔儿制作，支持正版请于下载后小时内删除，手游源码 收录版权归属完美时空。

       神魔大陆安装方式为“手工架设”，目前版本为免费公测版本。神魔大陆网游单机版本包括MC神魔大陆Mysql一键镜像、Mysql神魔大陆纯端，以及配套客户端和工具齐全。架设环境支持REDHAT AS4系统。

       冒险岛安装方式为“一键端”，官方网站为mxd.sdo。目前版本包括免费/、完美、商业。GM系统已知的GM工具包括GM小助手1.4等。外网系统同样支持简单外网架设。

       传奇世界安装方式为“一键端”，目前版本包括免费1.天元心法等、收费1.“战无不胜”。内置GM系统包括3K引擎。外网系统支持简单外网架设。

       永恒之塔安装方式为“一键端”，官方网站为aion.sdo。目前版本包括免费2.0龙战前传等、收费2.1黄金时代。GM系统已知有多款GM工具。外网系统同样支持简单外网架设。

       综上所述，网络游戏单机版的市场现状呈现出多样化和专业化的趋势，不断吸引着玩家和开发者的关注，成为了游戏行业中的一个重要分支。

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。