從年初到現在，AI也顛覆了很多原有的工作流程。 越來越多的公司正在將人工智能引入他們的工作流程。 那么在實際工作中，AI應該如何在本地部署呢？ 本文作者對此進行了分析，一起來看看吧。
AI從開始火到現在無論是問答類產品還是藝術類產品都拉平了，也顛覆了很多原有的工作流程。 現在越來越多的公司開始將AI引入到工作流程中，下面我們就來說說實際工作中使用的場景以及如何在本地部署。
在部署和訓練過程中，會出現一定的代碼問題，需要和開發同學進行溝通。 里面的代碼都是通過AI和開發相關的平臺找到的。 如有錯誤，請聯系指正。
一、分類 1、穩定——美術及繪畫產品
這里有人會提到（以下簡稱mj），mj現在也很流行，確實可以出高質量的圖片作為參考，但是產品屬于網絡屬性。 可能會導致設計手稿和近期設計方向的泄露，所以推薦Stable等需要本地化部署的產品，這樣公司的機密才不會泄露。
2. ChatGPT-對話產品
作為一種人工智能語言模型，利用自然語言處理技術，可以理解并生成人類語言。 向提出問題的人提供幫助和建議，并嘗試與用戶進行自然流暢的對話。 能夠方便和娛樂提問者，幫助人們解決問題和獲取信息，沒有負面情緒。 在老師或專家這樣的環境中，GPT 可以充當不知疲倦的老師，指導和解決您的問題。
并且已經從3.5升級到4.0。 在實際工作流程中，給我最大的震撼是可以通過畫面來識別主題，可以對情緒做出邏輯判斷。 我還沒有想過如何在我的工作中使用它。 （或許可以直接剪掉之類的）。
二、應用場景不同 1、穩定
1）設置員工頭像
員工頭像可以是真實照片，也可以是虛構的圖像或符號。 通常，公司或組織會要求員工提供清晰的照片以供在其內部系統中使用。 一些公司還可能要求員工在其外部網站或社交媒體帳戶上使用公司徽標或公司品牌色調的頭像，以提高品牌知名度。 通常需要設計師（有時也叫美工）一個一個制作頭像，效率很低，價值也不大。
使用大量相似的風格來喂圖片，然后引入照片和連接的關鍵詞快速生成頭像，提高效率。
2）活動圖/游戲圖標/插畫/原畫參考
因為這四個場景很相似，所以我把它們合并了。 這種效果類似于mj，可以根據數據快速生成想要的圖像。 不過sd生成的效果質量好像不如mj。 不過，勝負不外泄也是可以接受的。 具體效果取決于數據圖的質量和說明的準確性。
再來說說游戲/插畫部分。 已經知道幾個游戲UI，插畫朋友的公司決定不再續約。 已經整理好了找工作的作品集，那就多學學吧。
3）人物建模
這已經開始應用于電子商務領域。 使用AI生成模型后，調整動作（骨骼調整），然后將衣服轉移到sd進行更換。
問了幾個相關群里的電商，他們都說是老板讓他們學的，這足以說明現在的AI已經沖擊到電商模型行業了。
4）IP設計
以往IP設計一般需要有專業美術功底的設計師來設計，而現在SD降低了門檻，只有準確的指令和足夠的數據才能生成不同的風格供選擇。 而像以前IP的表情很難畫，現在只是關于表情的說明。
2.聊天GPT
1）專家問答
在實際工作中，無論是新人還是入職一段時間的同學，都不是很清楚項目的背景和行業。 這在B端設計中比較常見。 只要設計者/產品換到別的公司，哪怕是同一個ERP或者SaaS類型的產品，整個業務邏輯都要重新學習。
另一種情況是，新人進入后，急切希望老員工或團隊專家進行培訓和領導。 實際情況是大家都忙著自己的事情，很難抽出時間來帶新人培訓。 就算有時間，普通的老員工也不會帶新員工來，因為沒有福利。
但有了“問答機器人”老師/學長的耐心教導，新人可以快速進入項目，降低新人的入門門檻和學習成本。 即使是老年人的知識也是有限的，通過問答的方式也能找到解決問題的方法。
2）數據集成度高
以往往往需要通過百度搜索多篇文章或案例進行組合分析來尋找解決方案，但是集成GPT后，提問者只要提出合適的問題就可以得到集成數據后的解決方案，減少了提問者需要時間從數據分析中得出結論。
3）數據測試
新手第一次做數據測試的時候，往往不知道嵌入什么規則，直接指點一下，甚至可以給出相關的字段形式。
4）整合用戶問題
用戶調研的報告做了數據清洗之后，整合用戶問題往往比較麻煩。 這些記錄可以傳輸給人工智能，并可以提出準確的問題。 AI可以對問題進行整合，對清洗后的問題進行分類，進行數據統計。
5）面試框架
主要用于研究什么時候可以利用AI快速搭建一個完整的面試題框架，這樣就不用一個一個從頭開始了。
6）用戶訪談練習
我想很多人都不會想到這個功能。 無論是邀請用戶還是同事做調研，時間成本和金錢成本都不低，而且很難找到合適的培訓對象。 但是 GPT 不同。 沒有負面情緒，可以配合教練進行多次演練。 更適合研究前的演練和初學者。
3.穩定
重新部署和后期啟動需要一定的代碼知識，所以需要程開發同學的幫助。
1.穩定的本地部署
方法：
1）自行部署
電腦配置：電腦的話推薦Win10/11的電腦，Mac就沒辦法了。 常見的設備有存儲卡、顯卡和 CPU。 推薦16G以上的內存卡。 顯卡不推薦A卡。 主要是調試問題多。 4G只能出圖，時間比較長。
基礎環境由3個軟件搭建：python、vcode、Git。
python：推薦3.10.6版本，如果是群里抓數據VScode：可以理解為可以修改代碼的記事本GIT：專用下載器，可以下載相關的美術資料
最后，通過一鍵集成包。
還有一種開源方式（但需要懂一些代碼）：
①安裝Python環境
穩定版需要 Python 3.6 或更高版本。 如果您的電腦上沒有Python環境，請先安裝Python。
② 安裝必要的依賴
在安裝 Stable 之前，您需要安裝以下依賴項：
您可以使用 pip 命令來安裝這些依賴項，例如：
代碼 pip 安裝 numpy scipy
下載穩定版的源代碼。 您可以從 Stable 的 GitHub 頁面下載源代碼：
解壓源碼，進入項目目錄。 使用以下命令解壓縮源代碼：
代碼解壓穩定--master.zip
然后進入源碼目錄：
代碼 cd stable --master
安裝穩定。 使用以下命令安裝穩定版：
代碼 pip install -e 。
這將在您的計算機上安裝穩定版并將其添加到您的 Python 環境中。 6. 驗證安裝。 通過運行以下 Python 代碼確保 Stable 已成功安裝：
代碼導入打印（。）
如果輸出版本號，則說明Stable已經安裝成功。 您現在已經在本地成功部署了 Stable。 您可以將其用于社交網絡分析和通信建模。
2. Stable如何訓練？
有 3 種類型的常規培訓：lora 和 pernert。 現在最常見也是最新的模式是lora，它可以再現圖片上的所有特征和細節模型，還可以訓練畫風和固定任務的特點。
1）準備數據
LoRA 模型需要一個社交網絡圖和一組初始種子節點。 您可以使用該庫創建社交網絡圖并選擇一些節點作為初始種子節點。 例如，以下代碼創建一個具有 100 個節點和 300 條邊的社交網絡圖，并選擇前 10 個節點作為初始種子節點：
code import as nx import numpy as np import random # 創建一個有100個節點和300條邊的隨機圖 G = nx.(100, 300) # 隨機選擇10個節點作為初始種子節點 seeds = random.sample(list (G.nodes ), 10)
2）創建一個LoRA訓練器
在 Stable 庫中，LoRA 模型由類實現。 要創建 LoRA 訓練器，請使用以下代碼：
code from import # 創建 LoRA 訓練器 trainer =
3）訓練模型
使用 train 方法訓練 LoRA 模型。 例如，以下代碼使用默認參數在整個社交網絡圖上訓練 LoRA 模型：
代碼 # 訓練 LoRA 模型 trainer.train(G, seeds)
訓練模型時ai中怎么批量替換鏈接，您可以指定以下參數：
代碼 # 使用在線模式和 100 步訓練 LoRA 模型 trainer.train(G, seeds, =True, steps=100)
4）預測傳播結果
使用 predict 方法預測給定初始種子節點的傳播結果。 例如ai中怎么批量替換鏈接，以下代碼使用前 10 個節點作為初始種子節點來預測整個社交網絡圖的傳播結果：
code # 預測傳播結果 result = trainer.predict(G, seeds) print(result)
在訓練LoRA模型時，可以根據需要選擇不同的參數和不同的訓練數據。
當心：
配套的大型號更好。 訓練需要一個大模型來訓練參數。 如果不選擇原來的，效果不會令人滿意。 最好使用與作者相同的參數來正確設置使用的權重。 不要設置大于1。最好用09左右的觸發詞：一定要看提示詞文檔 新手盡量不要用多個lora（看不懂訓練圖集）
美術資源主要來源于：（俗稱：C站）
四。 概括
一把利器，可以讓優秀的變得優秀，讓平庸的更加平庸。 未來肯定會有懂AI產品的人和不懂AI產品的人之間的競爭。 AI一定是未來，未來已經到來。
專欄作家