Datawhale X 魔搭 AI夏令营第四期 | AIGC文生图——精读baseline 实战进阶 Task2笔记

Hi，大家好，我是半亩花海。最近在继续学习Datawhale X 魔搭举办的2024 年AI第四期 夏令营的AIGC文生图方向，本次Task2的主要学习内容是借助通义千问、文心一言等大模型 工具**（无广）** 进行精读baseline 代码，并进行新项目的实战进阶 。

---

一、精读baseline

在跑task1的baseline时，根据教程指示我们能顺畅通关，但对baseline的代码的某一个模块、某一行究竟是干啥的可能还是不清楚，下面我们就借助AI助手 从**"分析代码的主题架构"** 和**"逐行代码解析"**两个角度来精读这个代码。

1. 框架与代码结构

（1）框架结构

我们可以先看拿下这个文生图代码的框架结构，如下图所示。

（2）代码结构

现在我们先把我们baseline中的所有代码整理出来，代码结构如下。

!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm


os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

import numpy as np
from PIL import Image


images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

---

2. 分析代码的主题架构

（1）输入的Prompt

我使用的是通义千问 工具：通义tongyi.ai_你的全能AI助手 (aliyun.com)。

你是一个优秀的python开发工程师，现在我们需要你帮我们分析这个代码的主体框架，你需要把代码按照工作流分成几部分，用中文回答我的问题。

{此处替换前面的代码}

（2）返回的结果

这段代码可以分为以下几个主要的工作流程部分：

1. 环境准备与依赖安装

这部分通过 !pip 命令来安装或卸载所需的Python包，包括 simple-aesthetics-predictor , data-juicer , peft , lightning , pandas , torchvision , 和 DiffSynth-Studio 。

2. 数据集加载与处理

• 数据集加载： 从ModelScope加载 lowres_anime 数据集到变量 ds 。
• **数据转换与存储：**遍历数据集，将图像转换为RGB格式并保存，同时创建包含图像路径和描述文本的元数据，并写入JSONL文件。

3. 数据过滤与清洗

• 配置DataJuicer： 创建配置文件 data_juicer_config.yaml ，定义数据预处理规则，如图像尺寸和宽高比过滤。
• 执行数据处理： 使用 dj-process 命令根据配置文件对数据进行预处理，生成过滤后的结果。

4. 数据整理与分析

• **整理输出数据：**读取处理后的数据，将其转换为Pandas DataFrame，并保存为CSV文件。
• **CLIP模型应用：**使用CLIP模型计算图像和文本之间的相似度得分，得到概率分布。

5. 定制数据集与数据加载

• 定义定制数据集类： 创建一个 CustomDataset 类继承自 Dataset ，用于处理DataFrame中的数据，使其可用于PyTorch模型训练。
• 创建数据加载器： 使用 DataLoader 从定制数据集中批量加载数据。

6. 图像生成与实验

• 加载StableDiffusionPipeline： 从 diffusers 库加载图像生成模型，并设置参数。
• **生成图像：**使用不同的提示和负向提示生成多个二次元风格的图像，保存为PNG文件。

7. 图像合并展示

• **图像合并：**读取生成的所有图像，将它们合并成一张大图，便于查看所有生成的结果。

这些步骤共同完成了一个从数据加载、数据处理、模型应用到图像生成的完整工作流程。

---

3. 逐行解释代码

（1）输入的问题

你是一个优秀的python开发工程师，现在我们需要你帮我们逐行分析这个代码，用中文回答我的问题。

{此处替换前面的代码}

（2）返回的结果

这段代码包含了多个部分，包括环境设置、数据集处理、模型使用和图像生成。下面是对每段代码的中文注释说明：

# 使用pip安装simple-aesthetics-predictor库
!pip install simple-aesthetics-predictor

# 使用pip安装data-juicer库，-v显示详细信息，-e表示editable mode（即开发模式）
!pip install -v -e data-juicer

# 卸载pytorch-lightning库，-y自动同意卸载提示
!pip uninstall pytorch-lightning -y

# 安装peft、lightning、pandas和torchvision库
!pip install peft lightning pandas torchvision

# 安装DiffSynth-Studio库，-e表示editable mode（即开发模式）
!pip install -e DiffSynth-Studio

# 导入ModelScope数据集加载工具
from modelscope.msdatasets import MsDataset

# 加载ModelScope的'lowres_anime'数据集，subset_name='default'表示默认子集，split='train'表示训练集
# cache_dir指定数据集的缓存目录
ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

# 导入json和os模块，以及tqdm进度条库
import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm

# 创建文件夹，如果已经存在则不会创建，exist_ok=True表示如果文件夹已存在则不抛出错误
os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)

# 打开文件并写入数据集的元数据
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    # 遍历数据集，将图像转换为RGB格式并保存到磁盘
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        # 构建元数据字典，包括文本描述和图像路径
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        # 将元数据写入文件
        f.write(json.dumps(metadata))
        f.write("\n")

# 定义data_juicer配置字符串
data_juicer_config = """
# 全局参数
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # 数据集路径
np: 4  # 处理数据集的子进程数量

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'  # 输出文件路径

# 过滤流程
# 图像尺寸过滤，最小宽度和高度为1024像素
# 图像长宽比过滤，最小和最大比例为0.5和2.0
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""

# 将配置写入文件
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

# 调用data_juicer的处理脚本，--config指定配置文件
!dj-process --config data/data-juicer/data_juicer_config.yaml

# 导入pandas库和其它模块
import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm

# 创建输出文件夹
os.makedirs("./data/data-juicer/output/images", exist_ok=True)

# 读取处理后的数据集，将文本和图像路径提取到列表中
texts, file_names = [], []
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

# 将数据转换为DataFrame并保存为CSV文件
df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

# 导入CLIP模型和处理器
from transformers import CLIPProcessor, CLIPModel
import torch

# 加载预训练的CLIP模型和处理器
model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

# 加载图像并进行预处理
images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

# 使用模型计算图像与文本之间的相似度
outputs = model(**inputs)
logits_per_image = outputs.logits_per_image
probs = logits_per_image.softmax(dim=1)

# 打印概率
probs

# 定义自定义数据集类，继承自PyTorch的Dataset类
class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    # 返回数据集的长度
    def __len__(self):
        return len(self.texts)

    # 获取数据集中特定索引处的项目
    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

# 创建数据集实例并加载数据
dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

# 遍历数据加载器中的批次，使用模型进行预测并打印结果
for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

# 导入StableDiffusionPipeline模型
import torch
from diffusers import StableDiffusionPipeline

# 设置随机种子确保结果可复现
torch.manual_seed(1)

# 加载预训练的StableDiffusion模型
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

# 定义生成图像的prompt和negative_prompt
prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"

# 设置生成参数
guidance_scale = 4
num_inference_steps = 50

# 生成图像并保存
image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]
image.save("example_image.png")

# 使用不同的prompt生成更多图像并保存
# 以下是多个示例，每个示例都有不同的prompt和可能的negative_prompt
# 注意：由于每次调用pipe时都会使用相同的随机种子，这会导致生成的图像相同，除非修改随机种子
# 下面的代码展示了如何改变随机种子以获得不同的生成结果
...

# 使用numpy和PIL库将生成的图像组合成一个大图像
import numpy as np
from PIL import Image

# 加载所有生成的图像，然后将它们组合在一起
images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))

# 显示最终的组合图像
image

请注意，最后一行的 image 变量定义没有执行显示图像的命令，如果在Jupyter Notebook或类似的环境中，通常会自动显示图像。如果需要在脚本中显示图像，可以使用 matplotlib.pyplot.imshow() 函数。此外，代码中使用 torch.manual_seed() 设置随机种子以确保在每次运行时生成的图像相同，这对于调试和演示很有帮助，但在实际应用中可能需要去掉或改变种子值以获得不同的生成结果。

---

4. 向AI追问代码

（1）追问的问题

在刚刚逐行解析结果页后面继续追问，如图，通义千问给了我们更加细致的问题解释，大家可以举一反三，多操作一下。

我对其中image = pipe( prompt=prompt, negative_prompt=negative_prompt, guidance_scale=guidance_scale, num_inference_steps=num_inference_steps, height=1024, width=1024, ).images[0]代码还有疑问，对每个参数有疑问，给我再详细介绍一下。

（2）返回的结果

这段代码看起来像是在使用一个深度学习模型，尤其是像Stable Diffusion这样的文本到图像的生成模型，通过Hugging Face的Diffusers库调用来生成图像。让我详细解释一下每个参数：

1. prompt

这是用于生成图像的文本描述。模型将基于这个描述生成图像。例如，你可以写"一只猫坐在图书馆里"，模型会尝试生成符合这一描述的图像。

2. negative_prompt

负面提示告诉模型应该避免什么。例如，如果你不希望图像中有任何人类存在，你可以设置 negative_prompt="humans" 。这有助于细化生成的图像，确保它更贴近你的正面提示。

3. guidance_scale

这个参数控制着模型遵循 prompt 的程度。较高的 guidance_scale 值意味着模型会更严格地根据 prompt 生成图像，而较低的值则允许更多的随机性和创意自由。

4. num_inference_steps

这个参数定义了生成图像过程中迭代的次数。更多的步骤通常会导致更精细和更复杂的图像，但也会增加计算时间和资源需求。

5. height 和 width

这些参数确定输出图像的尺寸。例如，在这里设置为 1024 ，意味着生成的图像将是1024x1024像素。

在代码中， pipe （管道）可能指的是预配置的扩散模型管道，如`StableDiffusionPipeline`。`pipe`方法接受上述参数，并返回一个包含生成图像的对象。`.images[0]`则从返回的结果中提取出第一张生成的图像。

整个调用可以总结为：使用特定的 prompt 和可选的 negative_prompt ，以及一系列的生成参数，调用预训练的模型来生成一张指定尺寸的图像。

如果你正在使用Hugging Face的Diffusers库，那么 pipe 方法可能看起来像这样：

python
from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
negative_prompt = "ugly, low quality"

image = pipe(prompt=prompt, negative_prompt=negative_prompt, guidance_scale=7.5, num_inference_steps=50, height=1024, width=1024).images[0]

请注意，上述代码示例中的参数值（如 guidance_scale 和 num_inference_steps ）是随意设定的，具体数值应根据你的需求和实验来调整。

最后，希望大家养成使用AI的习惯，擅用AI，帮你的工作和学习事半功倍。

---

二、实战演练一一基于话剧的连环画制作

1. 数据准备

（1）提示词prompt

你是一个文生图专家，我们现在要做一个实战项目，就是要编排一个文生图话剧
话剧由8张场景图片生成，你需要输出每张图片的生图提示词

具体的场景图片
1、女主正在上课
2、开始睡着了
3、进入梦乡，梦到自己站在路旁
4、王子骑马而来
5、两人相谈甚欢
6、一起坐在马背上
7、下课了，梦醒了
8、又回到了学习生活中

生图提示词要求
1、风格为古风
2、根据场景确定是使用全身还是上半身
3、人物描述
4、场景描述
5、做啥事情

例子：
古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，深思，上半身，红色长裙

（2）返回结果

为了确保这些场景符合您的要求，我将为每一张图片编写相应的生图提示词，考虑到风格、人物和场景的细节。以下是针对您所描述的每个场景的提示词：

1. 女主正在上课

古风，工笔画，一个身穿蓝色汉服的长发女子，专注地坐在教室里，手握毛笔在纸上书写，上半身特写，周围是木质的桌椅和竹简书卷。

2. 开始睡着了

古风，淡雅水彩，同一个女子，头轻轻靠在手臂上，嘴角挂着微笑，似乎在梦中，上半身特写，背景是教室的一角，窗外是夕阳的余晖。

3. 进入梦乡，梦到自己站在路旁

古风，细腻的线描，女子身着华丽的唐装，站在一条青石铺成的小径旁，四周是繁花似锦的桃林，全身展现，她正凝视着远方。

4. 王子骑马而来

古风，浓墨重彩，一位英俊的男子，身披战袍，骑在一匹雄壮的白马之上，正向女子缓缓靠近，背景是壮观的山川，全身展现。

5. 两人相谈甚欢

古风，精致的工笔，女子与王子并肩而坐于凉亭之中，他们正面对面交谈，眼中闪烁着喜悦的光芒，上半身特写，凉亭外是碧波荡漾的湖面。

6. 一起坐在马背上

古风，流动的线条，女子侧坐在王子的马背上，双手轻扶着王子的腰，两人共赏沿途的风景，全身展现，背景是绵延起伏的山脉和飘渺的云雾。

7. 下课了，梦醒了

古风，淡雅水彩，女子惊醒，眼神中带着一丝迷茫，手中还握着毛笔，上半身特写，教室里的同学们已开始收拾东西准备离开。

8. 又回到了学习生活中

古风，细致的工笔，女子再次坐在教室里，身边堆满了书籍和文房四宝，她低头认真阅读，上半身特写，窗外是晴朗的天空和绿树。

这些提示词应该能够帮助生成一系列连贯且富有故事性的场景插图。如果您有任何具体的要求或者需要调整的地方，请随时告诉我！

结合AI内容，自己在AI结果上做一些调整 ，最终整理出来两种场景表格对比，如下所示。

① 表格一场景及其内容

|----------|---------------|----------------------------------------------------------------|------------------|
| 图片编号 | 场景描述 | 正向提示词 | 反向提示词 |
| 图片1 | 女主正在上课 | 古风，工笔画，一个身穿蓝色汉服的长发女子，专注地坐在教室里，手握毛笔在纸上书写，上半身特写，周围是木质的桌椅和竹简书卷 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片2 | 开始睡着了 | 古风，淡雅水彩，同一个女子，头轻轻靠在手臂上，嘴角挂着微笑，似乎在梦中，上半身特写，背景是教室的一角，窗外是夕阳的余晖 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片3 | 进入梦乡，梦到自己站在路旁 | 古风，细腻的线描，女子身着华丽的唐装，站在一条青石铺成的小径旁，四周是繁花似锦的桃林，全身展现，她正凝视着远方 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片4 | 王子骑马而来 | 古风，浓墨重彩，一位英俊的男子，身披战袍，骑在一匹雄壮的白马之上，正向女子缓缓靠近，背景是壮观的山川，全身展现 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片5 | 两人相谈甚欢 | 古风，精致的工笔，女子与王子并肩而坐于凉亭之中，他们正面对面交谈，眼中闪烁着喜悦的光芒，上半身特写，凉亭外是碧波荡漾的湖面 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片6 | 一起坐在马背上 | 古风，流动的线条，女子侧坐在王子的马背上，双手轻扶着王子的腰，两人共赏沿途的风景，全身展现，背景是绵延起伏的山脉和飘渺的云雾 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片7 | 下课了，梦醒了 | 古风，淡雅水彩，女子惊醒，眼神中带着一丝迷茫，手中还握着毛笔，上半身特写，教室里的同学们已开始收拾东西准备离开 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片8 | 又回到了学习生活中 | 古风，细致的工笔，女子再次坐在教室里，身边堆满了书籍和文房四宝，她低头认真阅读，上半身特写，窗外是晴朗的天空和绿树 | 丑陋，变形，嘈杂，模糊，低对比度 |

② 表格二场景及其内容

|----------|---------------|---------------------------------------------------------|------------------|
| 图片编号 | 场景描述 | 正向提示词 | 反向提示词 |
| 图片1 | 女主正在上课 | 古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，深思，上半身，红色长裙 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片2 | 开始睡着了 | 古风，水墨画，一个黑色长发少女，坐在教室里，趴在桌子上睡着了，上半身，红色长裙 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片3 | 进入梦乡，梦到自己站在路旁 | 古风，水墨画，一个黑色长发少女，站在路边，上半身，红色长裙 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片4 | 王子骑马而来 | 古风，水墨画，一个英俊少年，骑着白马，上半身，白色衬衫 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片5 | 两人相谈甚欢 | 古风，水墨画，一个英俊少年，白色衬衫，一个黑色长发少女，红色长裙，两个人一起聊天，开心，上半身 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片6 | 一起坐在马背上 | 古风，水墨画，一个英俊少年，白色衬衫，一个黑色长发少女，红色长裙，两个人一起骑着马，全身 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片7 | 下课了，梦醒了 | 古风，水墨画，一个黑色长发少女，坐在教室里，下课铃声响了，同学们开始走动，从睡梦中醒来，深思，上半身，红色长裙 | 丑陋，变形，嘈杂，模糊，低对比度 |
| 图片8 | 又回到了学习生活中 | 古风，水墨画，一个黑色长发少女，坐在教室里，盯着黑板，认真上课，上半身，红色长裙 | 丑陋，变形，嘈杂，模糊，低对比度 |

（3）执行Task1的baseline

链接如下：从零入门AI生图原理&实践。

• 双击进入baseline文件
• 找到生成图像的板块
• 依次替换8张图片的正向提示词和反向提示词
• 执行生成图片部分的按钮

（4）结果展示

① 表格一结果展示

具体场景如下：

② 表格二结果展示

具体场景如下：

---

三、总结与感悟

这个实战项目揭示了深度学习在图像处理和生成领域的专业实践，对学习AIGC的初学者意义重大，我认为有以下关键点。

• 图像与数据处理 ：通过 data-juicer 等工具自动化数据预处理，包括过滤和标准化图像，提升了数据质量和模型训练效率。

• 跨模态匹配评估：利用CLIP模型进行图像-文本对齐性评估，体现了深度学习在理解和连接不同数据类型（图像与文本）的强大能力。

• 定制化数据集封装 ：创建 CustomDataset 类，使数据能够被深度学习模型有效读取和处理，这是模型训练和验证的关键步骤。

• 图像生成与控制 ：使用 StableDiffusionPipeline 生成特定风格的图像，通过参数调整（如 guidance_scale ），实现了对生成图像的细节和质量的精细控制。

总的来说，此AIGC相关项目展示了从数据处理 到模型应用 再到结果展示 的完整工作流程，突显了深度学习在创意生成任务中的灵活性和强大功能，通过结合图像与数据处理、跨模态理解和生成技术，体现了深度学习技术在推动创意内容生产上的前沿应用。