爱开源GoGo

一、Huggingface镜像站的使用方法 使用Huggingface镜像站非常简单，只需要按照以下步骤进行设置即可： 安装依赖：首先，确保你的计算机上已经安装了pip这个Python包管理工具。然后，通过以下命令安装huggingface_hub和hf_transfer这两个库： 1pip install -U huggingface_hub hf_transfer 如果你想使用清华源加速下载，可以加上-i https://pypi.tuna.tsinghua.edu.cn/simple参数： 1pip install -U huggingface_hub hf_transfer -i https://pypi.tuna.tsinghua.edu.cn/simple 设置环境变量：接下来，设置环境变量HF_ENDPOINT为Huggingface镜像站的地址： 1export HF_ENDPOINT=https://hf-mirror.com 这样，后续的命令就会使用这个镜像站点而非Huggingface的主仓库。 下载模型：现在，你可以使用huggingface-cli命令来下载模 ...

hexo butterfly常用美化配置

Markdown工具和资料参考，包括时序图，流程图，类图，饼图，状态机等

常用linux命令，如查看进程状态，进程执行路径

安装 1git clone https://gitcode.com/comfyanonymous/ComfyUI.git 设置其中的torch==2.0.1 1pip install -r requirement.txt 启动 设置sd模型路径 12345# comfyui项目目录下cp extra_model_paths.yaml.example extra_model_paths.yaml# 编辑extra_model_paths.yaml，修改a111: base_path: /root/stable-diffusion-webui/ 设置启动脚本 12345678netstat -nap|grep 8188|awk '{print $7}'|awk -F'/' '{print $1}'|xargs kill -9echo "kill comfyui finish!"conda init bashconda activate comfyuiecho " ...

transformer详解 一、transformer简介 Transformer最早由Ashish Vaswani等人在论文<>[1]中提出，是一个基于注意力机制的网络主干结构，如下图，左边是编码器，右边是解码器 Transformer的意义体现在它的长距离依赖关系处理和并行计算，而这两点都离不开其提出的自注意力机制。 首先，Transformer引入的自注意力机制能够有效捕捉序列信息中长距离依赖关系，相比于以往的RNNs，它在处理长序列时的表现更好。 而自注意力机制的另一个特点时允许模型并行计算，无需RNN一样t步骤的计算必须依赖t-1步骤的结果，因此Transformer结构让模型的计算效率更高，加速训练和推理速度。 二、什么是自注意力机制 传统的Attention机制在一般任务的Encoder-Decoder model中，输入Source和输出Target内容是不一样的，比如对于英-中机器翻译来说，Source是英文句子，Target是对应的翻译出的中文句子，Attention机制发生在Target的元素Query和Source中的所有元素之间。简单的讲就是At ...

跳表: 通过对链表抽出索引层,以实现二分查找,从而可以快速定位节点位置,提示查找效率: 当原始链表有n个结点,则索引的层数为log(n)-1,在每一层的访问次数是常量,因此查找结点的平均时间复杂度为O(logn)。 增加了索引层,空间开销变大,相当于是以空间换时间 一般来说B+树是由多个页组成的多级层级结构,每个页16Kb,对于主键索引来说,叶子节点存放用户完整行数据,非叶子节点存放索引信息(索引列和页号)。每个数据页内部,通过页目录实现二分查找 B+ tree也是利用了空间换时间的方式,同时利用索引层可以存放大量索引这一特点，使得B+ tree整体看上去更矮更胖，即定位记录需要的IO次数更少,每一层存放的数据量更多。 为什么Innodb选择B+ tree而不是跳表 B+ tree是多叉树结构,每个结点都是一个16k的数据页,能存放较多的索引信息，所以扇出很高。三层左右就可以存储2kw左右的数据。也就是说查询一次数据，如果这些数据页都在磁盘里，那么最多需要查询三次磁盘IO。 跳表是链表结构，一个结点存放一条数据，如果底层需要存储2kw数据，且每次查询都能达到二分效果，2kw大概需要2的 ...

instantid 视频教程 https://www.bilibili.com/video/BV1Rm41197SY/?vd_source=cc6538fc8ca9d598576026e002e98982 sdxl模型： sd_xl_base_1.0 XXMix_9realisticSDXL: https://civitai.com/models/124421?modelVersionId=163192 提示词： girl, realistic,detailed 反向提示词: mustache (worst quality, low quality, illustration, 3d, 2d, painting, cartoons, sketch), tooth, open mouth,bad hand,bad fingers nsfw, paintings, sketches, (worst quality:2), (low quality:2),lowers, normal quality,monochrome, grayscale, logo, word, character c ...

faiss总览 https://zhuanlan.zhihu.com/p/595249861 Faiss的全称是Facebook AI Similarity Search。这是一个开源库，针对高维空间中的海量数据，提供了高效且可靠的检索方法 Faiss中的稠密向量各种索引都是基于 Index实现的，主要的索引方法包括： IndexFlatL2、IndexFlatIP、IndexHNSWFlat、IndexIVFFlat、IndexLSH、IndexScalarQuantizer、IndexPQ、IndexIVFScalarQuantizer、IndexIVFPQ、IndexIVFPQR等。 精确K近邻算法有KD-tree，更多地是近似最近邻ANN（Approximate Nearest Neighbor）算法，如各种KD-tree的变种、Hierarchical K-means Tree及其变种、局部敏感哈希LSH（Local Sensitive Hash）的各种具现（如Google提出的海量文本去重算法SimHash）。 faiss索引方法介绍 1.精确查找：IndexFlatL2 ...

hnswlib向量索引 nsw简介 六度分离理论，Stanley Milgram计算信函平均到达的节点为5个，也就是我们和一个陌生人建立连接只需要6步。 Stanley Milgram基于他的实验提出了著名的六度分离理论，这个理论指出: 现实世界中的短路径是普遍存在的。 人们可以有效地找到并且利用这些短路径。 在小世界网络中，可以把点与点之间的关系可以分为两种： 同质性:同质性也就是相似的点会聚集到一起，相互连接具有邻接边。 弱连接:弱连接是指从每一个节点上，会有一些随机的边随机连接到网络中的节点上，这些节点是随机均匀的。 在NSW算法中通过构建一个小世界网络，希望通过黑色相似的近邻边来检索最近邻节点， 通过红色长边(高速公路)来实现不同类节点之间的快速检索。 nsw图构建 基于NSW的原理，我们希望NSW的局部节点之间的在距离上具有同质性(也就是近邻节点能够相互连接)。从而使得当我们检索 到一个近邻节点时，其大部分近邻节点都是近邻节点。同时也希望保留一些随机边，能够在不同区域之间快速跳转 NSW节点的插入 构建图的时候，理论上来说我们对所有的点做Delaunay三角剖分， ...