引言
好像很多朋友对AI绘图有兴趣，AI绘画背后，依旧是大模型的训练。但绘图类AI对计算机显卡有较高要求。建议先了解基本原理及如何使用，在看看如何实现自己垂直行业的绘图AI逻辑。或者作为使用者，调用已有的server接口。
首先需要说明的是，AI绘图和AI识图是不一样的两类训练模型。当然从原理上讲，你可以很范的认为他们都是从训练集中训练神经网络，经过正向传播，反向计算，调整参数，降低loss，并不断迭代。在验证集验证模型，并在测试集上测试模型。但实际上在实作的时候，AI绘图对显卡等硬件资源要求相对更高，且模型在前期，中期，后期的处理手法也不一样。今天以 stable diffusion 为例，看看他的基本原理和怎么用。
Stable Diffusion 主要技术
VAE（变分自编码器）
stable diffusion 采用了VAE模型的预加载方式，在训练过程中，通常会采用预训练的通用VAE（变分自编码器）或自己训练的VAE模型。
他使用Encoder部分对原图片进行处理，将输入图片信息降维到latent space（潜在空间）。
在latent space上应用Diffusion Model进行正向采样和逆向预测。
总的来说，有如下步骤：
数据预处理：使用预训练的VAE模型对输入图片进行编码，将其映射到潜在空间。
正向扩散：在潜在空间上，对编码后的数据添加噪声，模拟扩散过程。
逆向预测：训练模型从含噪声的数据中恢复出原始图像，即逆向扩散过程。
参数调整：通过调整学习率、正则化参数等，控制神经网络参数的变化范围，提高模型的稳定性和收敛性。
结合其他技巧：应用批标准化、残差网络等训练技巧，进一步提高模型的稳定性和训练效果。
使用
github 下载project，进行build
如果你自己的GPU很好，你可以本地搭建stable diffusion，比如你的pc或台式机配了GeForce RTX 高端型号显卡。你可以在github 下载 stable diffusion 项目进行 build。
build 前会自动 pip 相关依赖
使用已搭建完成的 stable diffusion
初学者总是站在巨人的肩上，来看下 stable diffusion 怎么用。我这里采用的是baidu 飞浆 AI进行使用讲解。我们先进入 stable diffsuion 的应用页：
先尝试下文字转图的效果：
效果还行。
我们再尝试生成一只小老虎
我们发现其实并不是非常完美，如果没有下面的 不出现内容，该stable diffusion 生成的是一只成年老虎。
其实里面提供了API，你可以通过API调用的方式实现。
你需要构造的request：
你得到的response：
实际上生成的图是一个imgurls的数组，里面就是生成的结果，你可以单独打开这个url:
好了，就先写到这里吧