深度学习计算机视觉媒体生成模型训练微调【免费下载链接】sd-scripts项目地址https://gitcode.com/gh_mirrors/sd/sd-scripts点击查看免费下载导读本文围绕 sd-scripts 仓库自带的独立推理脚本 gen_img.py 展开讲解如何用命令行完成 Stable Diffusion 1.x / 2.x / SDXL 的 txt2img、img2img、inpainting 图像生成以及如何接入本仓库训练得到的 LoRA、DyLoRA、ControlNet、ControlNet-LLLite、Textual Inversion 等附加模型。读完本文你将掌握从对话式生成到批量出图、从提示词加权到 Highres. fix / Gradual Latent / Deep Shrink 等进阶技巧的完整命令行用法并能结合源码理解每个参数背后的实现原理。一、gen_img.py 是什么gen_img.py是 sd-scripts 提供的独立推理图像生成脚本通过命令行运行可配合本仓库训练出的各种模型直接使用。其特性可概括为支持 SD 1.x、SD 2.x含 base / v-parameterization以及 SDXL 模型支持 txt2img、img2img、inpainting 三种生成方式支持对话交互模式、从文件读取提示词、批量连续生成可指定每条提示词的生成张数、整体重复次数--n_iter支持fp16与bf16两种半精度推理支持 xformers、SDPAScaled Dot-Product Attention注意力加速支持提示词扩展到 225 token--max_embeddings_multiples支持负面提示词与权重语法支持 Diffusers 系列 sampler支持 Text Encoder 的 clip skip取倒数第 n 层输出支持 VAE 单独加载、VAE 批处理与切片省显存支持 Highres. fix自研实现与 Gradual Latent、upscale支持 LoRA、DyLoRA 的倍率控制、多 LoRA 同时加载与权重预合并支持 Attention Couple 与 Regional LoRA支持 ControlNetv1.0/v1.1与 ControlNet-LLLite生成途中不能切换模型但可以用批处理脚本串起多次调用实现。从源码结构看脚本核心由 gen_img.py 中的PipelineLike类承担gen_img.py它绕开 Diffusers 官方 pipeline、独立管理 VAE、Text Encoder、UNet 与 scheduler从而支持上述各种扩展注意力优化则通过replace_unet_modules/replace_vae_modules注入 xformers、SDPA 或 FlashAttention见 gen_img.py。二、基本用法三种提示词输入方式1. 对话模式interactivepython gen_img.py --ckpt 模型名 --outdir 图像输出目录 --xformers --fp16 --interactive--ckpt指定模型可以是 Stable Diffusion 的 checkpoint 文件也可以是 Diffusers 模型文件夹甚至 Hugging Face 的模型 ID必填。--outdir图像输出目录。--xformers启用 xformers 加速--fp16以 fp16半精度推理。RTX 30 系及以后的 GPU 可以用--bf16以 bf16bfloat16推理。--interactive进入对话模式。模型类型务必与参数匹配SD 2.x 模型加--v2v-parameterization 模型如768-v-ema.ckpt及其追加学习模型再加--v_parameterization。SDXL 模型加--sdxl。--v2/--sdxl指定错误会在加载模型时报错--v_parameterization指定错误则输出发棕色的异常图像。对话模式下终端会提示Type prompt:输入提示词即可生成。如果图像窗口不显示而是报错可能是安装了 headless 版 OpenCV请pip install opencv-python安装完整版或者用--no_preview关闭预览。选中图像窗口后按任意键关闭并进入下一条提示词按 CtrlZ 再回车可退出脚本。2. 单条提示词批量生成python gen_img.py --ckpt 模型名 --outdir 图像输出目录 --xformers --fp16 --images_per_prompt 生成张数 --prompt 提示词--images_per_prompt每条提示词生成的图像数量--prompt提示词含空格时用双引号包裹--batch_size批大小见后文内存与速度调节。3. 从文件读取提示词python gen_img.py --ckpt 模型名 --outdir 图像输出目录 --xformers --fp16 --from_file 提示词文件--from_file指定提示词文件每行一条配合--images_per_prompt可指定每行的生成张数。另外还支持--from_module 模块文件从 Python 模块加载提示词该模块需实现get_prompter(args, pipe, networks)函数并返回一个可调用的 prompter--prompter_module_args可向该模块传入额外参数。这与源码中ListPromptergen_img.py及模块 prompter 分支gen_img.py对应适合需要自定义提示词调度逻辑的高级用户。4. 负面提示词与权重语法在提示词内可用提示词选项prompt option--n分隔出负面提示词之后内容即作为 negative promptbeautiful flowers --n monochrome权重语法与 AUTOMATIC1111 Web UI 一致支持()权重 ×1.1、[]权重 ÷1.1以及(xxx:1.3)显式权重。该实现位于 gen_img.py 的parse_prompt_attention圆括号将区间内文本权重乘以 1.1方括号乘以 1/1.1(xxx:1.3)则使用显式数值支持嵌套与BREAK分段。命令行与文件方式均可使用。三、主要命令行选项详解以下选项均来自 gen_img.py 的setup_parsergen_img.py与文档一一对应。1. 模型指定选项说明--ckpt 模型名必填。checkpoint 文件 / Diffusers 文件夹 / Hugging Face 模型 ID。若给出的路径不存在会尝试按 glob 模式匹配仅一个命中时自动采用gen_img.py--v1SD 1.x默认行为--v2SD 2.x--sdxlSDXL--v_parameterizationv-parameterization 模型768-v-ema.ckpt、Waifu Diffusion v1.5 等--zero_terminal_snr修正 noise scheduler 的 betas强制 zero terminal SNR--pyramid_noise_prob金字塔噪声的应用概率--pyramid_noise_discount_range金字塔噪声的折扣范围接受两个数值--noise_offset_prob噪声偏移noise offset应用概率--noise_offset_range噪声偏移范围接受两个数值--vae 路径单独指定 VAE未指定时使用模型自带 VAE--tokenizer_cache_dir 目录指定 tokenizer 缓存目录便于离线使用关于 SDXL 判定源码中若--v1/--v2/--sdxl均未指定会自动判定——checkpoint 文件超过 5.5GB 视为 SDXLDiffusers 文件夹存在text_encoder_2子目录视为 SDXLgen_img.py。2. 图像生成与输出选项说明--interactive对话模式--prompt 提示词指定提示词--from_file 文件从文件读取提示词--from_module 模块从模块读取提示词--W 宽度图像宽度默认 512--H 高度图像高度默认 512--steps 步数采样步数默认 50--scale guidance无条件引导尺度默认 7.5--sampler 名称采样器默认ddim--outdir 目录输出目录--images_per_prompt 张数每条提示词生成张数默认 1--clip_skip n取 CLIP 倒数第 n 层输出SD1/2 默认 1SDXL 默认 2--max_embeddings_multiples 倍数CLIP 输入输出长度为默认 75 的多少倍如 3 即 225 token--negative_scale 值单独指定无条件negative引导尺度--emb_normalize_modeembedding 归一化模式original默认/abs/none影响提示词权重归一化方式--force_scheduler_zero_steps_offset无论 scheduler 配置的steps_offset为何值强制其为零--sampler可选值源码中的 choices 与文档一致ddim、pndm、lms、euler、euler_a、heun、dpm_2、dpm_2_a、dpmsolver、dpmsolver、dpmsingle、k_lms、k_euler、k_euler_a、k_dpm_2、k_dpm_2_a。脚本启动时会先调用check_sampler_requirements(args.sampler)检查对应 scheduler 所需依赖包缺失则提前报错gen_img.py。3. SDXL 专属条件参数使用--sdxl时以下选项用于 SDXL 的尺寸条件original size / crop控制--original_height、--original_widthSDXL 条件中原图高度/宽度影响模型对目标分辨率的理解--original_height_negative、--original_width_negative负面条件中的原图尺寸--crop_top、--crop_leftSDXL 条件中的裁剪偏移。4. 内存与生成速度调节--batch_size n批大小默认 1。越大越占显存但速度越快。--vae_batch_size nVAE 批大小默认与--batch_size相同小于 1 时按批大小的比例计算。VAE 比 UNet 更耗显存去噪结束step 100%后若 OOM应调小该值。--vae_slices nVAE 解码时将图像切片处理以降低显存占用默认 None 不切分推荐 16 或 32。开启后变慢但省显存。--no_half_vaeVAE 不使用 fp16/bf16 而用 fp32遇到 VAE 相关伪影时使用。--xformers启用 xformers。--sdpa使用 PyTorch 2 的 scaled dot-product attention。--diffusers_xformers通过 Diffusers 使用 xformers与 Hypernetwork 不兼容。--fp16fp16 推理--bf16bf16 推理仅 RTX 30 系及以后 GPU否则报错。两者都不指定则为 fp32。SDXL 下 bf16 比 fp16 更不易出现 NaN纯黑图。从源码看这些注意力选项最终映射到 UNet / VAE 的注意力替换replace_unet_modules与replace_vae_modules分别把原始 Attention.forward 替换为 xformers、SDPA 或 FlashAttention 实现gen_img.py这也是省显存 加速的主要来源。5. 附加网络LoRA 等--network_module 模块加载的附加网络模块LoRA 为networks.lora多 LoRA 时重复书写如--network_module networks.lora networks.lora networks.lora。--network_weights 文件权重文件多个时依次给出个数必须与--network_module一致。--network_mul 倍率权重应用倍率默认 1多个 LoRA 时如--network_mul 0.4 0.5 0.7个数同样需一致。--network_merge将网络权重按--network_mul倍率预先合并进原模型。不能与--network_pre_calc同用此时提示词选项--am与 Regional LoRA 不可用但生成速度接近未加载 LoRA 时。--network_pre_calc每次生成前预先计算网络权重可使用提示词选项--am速度同样接近未加载 LoRA但生成前多一步计算、显存略增Regional LoRA 时自动失效。--network_regional_mask_max_color_codes n区域掩码最大颜色数不指定时掩码按通道channel应用。与 Regional LoRA 搭配控制掩码内能定义的区域数量。--network_args keyvalue,...传给网络模块的额外参数如--network_args alpha1.0,dropout0.1。--network_merge_n_models n网络合并时只合并前 n 个已加载网络替代合并全部。6. 综合示例同一提示词批量生成 64 张、批大小 4python gen_img.py --ckpt model.ckpt --outdir outputs --xformers --fp16 --W 512 --H 704 --scale 12.5 --sampler k_euler_a --steps 32 --batch_size 4 --images_per_prompt 64 --prompt beautiful flowers --n monochrome文件中的提示词各生成 10 张、批大小 4python gen_img.py --ckpt model.ckpt --outdir outputs --xformers --fp16 --W 512 --H 704 --scale 12.5 --sampler k_euler_a --steps 32 --batch_size 4 --images_per_prompt 10 --from_file prompts.txtTextual Inversion 双 LoRA 示例注意--network_mul 0.4 0.8与两个 LoRA 对应python gen_img.py --ckpt model.safetensors --scale 8 --steps 48 --outdir txt2img --xformers --W 512 --H 768 --fp16 --sampler k_euler_a --textual_inversion_embeddings goodembed.safetensors negprompt.pt --network_module networks.lora networks.lora --network_weights model1.safetensors model2.safetensors --network_mul 0.4 0.8 --clip_skip 2 --max_embeddings_multiples 1 --batch_size 8 --images_per_prompt 1 --interactive四、提示词选项Prompt Options除了命令行参数提示词内部也支持以--x形式书写的选项对话模式、命令行、文件三种来源均有效格式为双连字符 字母前后需留空格选项作用--n负面提示词--w/--h图像宽 / 高覆盖命令行值--s步数覆盖命令行值--d该图随机种子配合--images_per_prompt用逗号分隔如--d 1,2,3,4--lguidance scale覆盖命令行值--timg2img 的 strength覆盖命令行值--nl负面提示词的 guidance scale--am附加网络权重覆盖命令行值多网络用逗号分隔如--am 0.8,0.5,0.3--ow/--ohSDXL 的 original_width / original_height--nw/--nhSDXL 的 original_width_negative / original_height_negative--ct/--clSDXL 的 crop_top / crop_left--cCLIP 提示词--f生成文件名注意这些选项值不同会导致批无法整批执行批会被切小例如从文件批量生成时把参数相同的提示词排在一起效率更高。另外由于实现差异相同 seed 在 Web UI 与本脚本中生成的图像可能不同。完整示例(masterpiece, best quality), 1girl, in shirt and plated skirt, standing at street under cherry blossoms, upper body, [from below], kind smile, looking at another, [goodembed] --n realistic, real life, (negprompt), (lowres:1.1), (worst quality:1.2), (low quality:1.1), bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, normal quality, jpeg artifacts, signature, watermark, username, blurry --w 960 --h 640 --s 28 --d 1五、提示词通配符Dynamic Prompts / Wildcard脚本实现了 sd-dynamic-prompts 风格的 Wildcard 语法与 Web UI 扩展并非完全一致支持以下写法{A|B|C}随机选择其中一个{e$$A|B|C}依次穷举全部多个{e$$...}会生成所有组合。例如{e$$red|blue} flower, {e$$1girl|2girls}会生成red flower, 1girl、red flower, 2girls、blue flower, 1girl、blue flower, 2girls四张{n$$A|B|C}随机选择 n 个并拼接如{2$$A|B|C}生成A, B或B, C等{n-m$$A|B|C}随机选择 n 到 m 个拼接{$$sep$$A|B|C}以 sep 连接选中项默认,如{2$$ and $$A|B|C}生成A and B。以上语法可以组合嵌套使用。其底层实现在 gen_img.py 的handle_dynamic_prompt_variants通过正则RE_DYNAMIC_PROMPT解析{...}分组递归展开最内层动态片段穷举模式会用同一 seed 保证组合间的可比性。六、img2img 与 inpainting1. img2img 选项--image_path 路径img2img 源图像如--image_path template.png指定文件夹则按文件名顺序依次使用。--strength 值img2img 强度默认 0.8。--sequential_file_name输出文件名从im_000001.png开始连续编号。--use_original_file_name输出文件名前加原始文件名img2img 模式专用。--clip_vision_strength 值以指定强度启用 CLIP Vision Conditioning用 CLIP Vision 模型强化来自输入图像的条件信息。命令行示例python gen_img.py --ckpt trinart_characters_it4_v1_vae_merged.ckpt --outdir outputs --xformers --fp16 --scale 12.5 --sampler k_euler --steps 32 --image_path template.png --strength 0.8 --prompt 1girl, cowboy shot, brown hair, pony tail, brown eyes, sailor school uniform, outdoors --n lowres, bad anatomy, bad hands, error, missing fingers, cropped, worst quality, low quality, normal quality, jpeg artifacts, (blurry), hair ornament, glasses --batch_size 8 --images_per_prompt 32注意--image_path指定文件夹时生成数量由提示词数量决定而不是图像数量请用--images_per_prompt让提示词数与 img2img 图像数对齐。文件夹按字符串顺序排序1.jpg → 10.jpg → 2.jpg建议文件名前补零01.jpg → 02.jpg → 10.jpg。2. 用 img2img 做 upscaleimg2img 时用--W与--H指定生成尺寸脚本会先把原图缩放到该尺寸再执行 img2img。如果源图像是本脚本生成的自带元数据省略提示词时会自动从元数据读取原提示词继续使用——因此可以只做 Highres. fix 的 2nd stage 步骤。3. img2img 时的 inpainting指定源图与掩码图即可进行 inpainting注意并非针对 inpainting 专用模型而是只对掩码区域做 img2img--mask_image 路径掩码图与--image_path一样支持文件夹。掩码图为灰度图白色部分会被重绘。建议给边界加渐变过渡效果会更平滑。七、其他功能1. Textual Inversion--textual_inversion_embeddings指定要加载的 embeddings可多个。提示词中使用去掉扩展名的文件名即可调用该 embedding与 Web UI 用法一致也可用于负面提示词。支持本仓库训练的 Textual Inversion 模型以及 Web UI 训练的模型图像型 embedding 不支持。其实现为 token 替换PipelineLike.add_token_replacement将目标 token 替换为 embedding 对应的 token 序列gen_img.py。2. Highres. fix这是对 AUTOMATIC1111 Web UI 同名功能的类似实现自研实现细节可能有差异先以小尺寸生成再基于该图 img2img 放大避免直接大尺寸生成的构图崩坏。2nd stage 步数由--steps * --strength计算。Highres. fix 不能与 img2img 同时使用。选项说明--highres_fix_scale 倍率启用 Highres. fix并指定 1st stage 尺寸倍率。如最终 1024×1024、先出 512×512则--highres_fix_scale 0.5。注意它是 Web UI 中写法的倒数--highres_fix_steps n1st stage 步数默认 28--highres_fix_strength 值1st stage 的 img2img strength省略时等于--strength--highres_fix_save_1st是否保存 1st stage 图像--highres_fix_latents_upscaling2nd stage 用 latent 空间放大仅支持 bilinear不指定时图像用 LANCZOS4 放大--highres_fix_upscaler 模块2nd stage 使用任意 upscaler目前仅支持tools.latent_upscaler--highres_fix_upscaler_args 参数传给 upscaler 的参数如weightsD:\Work\SD\Models\others\etc\upscaler-v1-e100-220.safetensors--highres_fix_disable_control_net2nd stage 禁用 ControlNet默认两个 stage 都会用示例python gen_img.py --ckpt trinart_characters_it4_v1_vae_merged.ckpt --n_iter 1 --scale 7.5 --W 1024 --H 1024 --batch_size 1 --outdir ../txt2img --steps 48 --sampler ddim --fp16 --xformers --images_per_prompt 1 --interactive --highres_fix_scale 0.5 --highres_fix_steps 28 --strength 0.53. Deep ShrinkDeep Shrink 通过在不同时间步使用不同深度的 UNet 来优化生成过程可改善质量与效率--ds_depth_1 0-8启用第 1 阶段 Deep Shrink 的深度有效值 08--ds_timesteps_1 n在该时间步之前应用深度 1默认 650--ds_depth_2 深度第 2 阶段的深度--ds_timesteps_2 n在该时间步之前应用深度 2默认 650--ds_ratio 值Deep Shrink 的下采样比例默认 0.5。对应提示词选项--dsd1深度 1、--dst1时间步 1、--dsd2深度 2、--dst2时间步 2、--dsr比例。4. ControlNet目前仅确认 ControlNet 1.0 可用预处理仅支持 Canny--control_net_models 文件ControlNet 模型文件多个时按 step 切换使用与 Web UI ControlNet 扩展实现不同diff 与普通格式均支持。--guide_image_path 路径提示图可指定文件夹依次使用非 Canny 模型需预先完成预处理。--control_net_preps 名称预处理方式可多个目前仅canny不需要预处理时写none。Canny 阈值写法如canny_63_191即用下划线分隔阈值 1 与阈值 2。--control_net_multipliers 值ControlNet 影响倍率1.0 正常、0.5 减半可多个。--control_net_ratios 值应用 ControlNet 的 step 范围0.5 表示在前半步数内应用可多个。示例python gen_img.py --ckpt model_ckpt --scale 8 --steps 48 --outdir txt2img --xformers --W 512 --H 768 --bf16 --sampler k_euler_a --control_net_models diff_control_sd15_canny.safetensors --control_net_multipliers 1.0 --guide_image_path guide.png --control_net_ratios 1.0 --interactive5. ControlNet-LLLiteControlNet-LLLite 是 ControlNet 的轻量替代方案用于相似的引导目的--control_net_lllite_models 文件LLLite 模型文件--control_net_multipliers 值LLLite 倍率类似权重--control_net_ratios 值应用 LLLite 的 step 比例。注意ControlNet 与 ControlNet-LLLite 不能同时使用。对应实现可参考 networks/control_net_lllite.py 与本仓库的 LLLite 训练文档 docs/train_lllite_README.md。6. Attention Couple Regional LoRA该功能允许把提示词拆成若干部分并指定每部分作用于图像的哪个区域。无需单独参数通过--mask_path与提示词协作在提示词中用AND分隔多个部分前三个部分可指定区域后续部分作用于整图负面提示词始终作用于整图。掩码为彩色图RGB 各通道分别对应一个AND部分某通道全为 0 时该部分作用于整图。例如提示词shs 2girls, looking at viewer, smile AND bsb 2girls, looking back AND 2girls --n bad quality, worst quality中R 通道对应第一部分、G 通道对应第二部分、B 通道对应第三部分若掩码 B 通道全为 0则2girls应用到整图。--mask_path 路径掩码路径目前仅支持 1 张会自动缩放到目标尺寸。可与 ControlNet 组合使用精细位置指定推荐组合 ControlNet。指定 LoRA 时--network_weights中的多个 LoRA 依次对应各AND部分当前限制LoRA 数量必须与AND部分数量一致。八、其他辅助选项--no_preview对话模式不显示预览图未安装 OpenCV 或直接查看输出文件时使用。--n_iter n整体重复次数默认 1从文件读取提示词时如需多轮生成可指定。--seed n随机种子。单张时即该图 seed多张时是生成各图 seed 的种子配合--from_file可让多次运行中各图 seed 保持一致。--iter_same_seed提示词未指定 seed 时--n_iter重复内使用相同 seed便于跨提示词对比。--diffusers_xformers使用 Diffusers 的 xformers。--opt_channels_last推理时将张量布局设为 channels last某些情况可提速。--shuffle_prompts重复时打乱提示词顺序--from_file多提示词时有用。--network_show_meta显示附加网络元数据。九、Gradual Latent渐进式 latent 放大Gradual Latent 是一种把 latent 尺寸逐步放大的 Hires fix 方案--gradual_latent_timesteps n开始放大 latent 的时间步。默认 None不使用 Gradual Latent可尝试从 750 附近起步。--gradual_latent_ratio 值latent 初始尺寸比例默认 0.5即从默认尺寸的一半开始。--gradual_latent_ratio_step 值每次放大的比例默认 0.125会按 0.625 → 0.75 → 0.875 → 1.0 逐步放大。--gradual_latent_every_n_steps n每隔几步放大一次默认 3。--gradual_latent_s_noise 值S_noise 参数默认 1.0。--gradual_latent_unsharp_params ksize,sigma,strength,target-xunsharp mask 参数target-x 为 1 表示 True推荐3,0.5,0.5,1或3,1.0,1.0,0。以上选项也支持提示词选项形式--glt、--glr、--gls、--gle。关键约束由于该功能修改了 sampler 内部实现必须使用euler_a采样器其他采样器无法工作。从源码看其实现位于 library/utils.pyGradualLatent类负责 bicubic 插值与 unsharp mask 处理EulerAncestralDiscreteSchedulerGL继承EulerAncestralDiscreteScheduler并在step()中按resized_size动态插值 latent。另外从使用经验看SD 1.5 上效果更明显SDXL 上效果相当有限。十、从文档到源码的补充说明本文所有命令行参数均可在 gen_img.py 的setup_parsergen_img.py中查到定义、类型与默认值便于对照。动态提示词展开逻辑Wildcard见 gen_img.py提示词权重解析()/[]/(x:y)见 gen_img.pyPrompter 机制from_file/from_module/ 对话模式见 gen_img.py 与调用处gen_img.pyGradual Latent 实现见 library/utils.py注意力加速xformers / SDPA / FlashAttention见 gen_img.py相关训练侧文档可参考 docs/train_network_README-ja.md、docs/train_lllite_README.md 与本仓库的网络实现代码 networks/lora.py、networks/control_net_lllite.py。总而言之gen_img.py是本仓库训练生态的最后一公里无论你训练的是 LoRA、DyLoRA、Textual Inversion、ControlNet 还是 ControlNet-LLLite都可以用它一条命令完成从验证到批量出图的完整推理流程并借助 Highres. fix、Gradual Latent、Deep Shrink、Attention Couple 等高级能力精细控制生成结果。赞分享深度学习计算机视觉媒体生成模型训练微调【免费下载链接】sd-scripts项目地址https://gitcode.com/gh_mirrors/sd/sd-scripts点击查看免费下载相关推荐sd-scripts 图像生成指南使用 gen_img.py 进行 SD1.x/2.x/SDXL 推理、LoRA 与 ControlNet 实践sd scripts 图像生成指南使用 gen_img.py 进行 SD1.x/2.x/SDXL 推理、LoRA 与 ControlNet 实践 导读 gen深度学习计算机视觉媒体生成模型训练微调零基础玩转ComfyUI MixLab零代码AI创作引擎完全指南零基础玩转ComfyUI MixLab零代码AI创作引擎完全指南 ComfyUI MixLab作为一款革命性的零代码AI创作引擎正在重新定义数字艺术创作的边深度学习计算机视觉媒体生成模型训练微调如何用 kohya-ss/sd-scripts 轻松掌握AI图像生成与训练超详细新手教程如何用 kohya ss/sd scripts 轻松掌握AI图像生成与训练超详细新手教程 kohya ss/sd scripts 是一套功能强大的AI图像生成深度学习计算机视觉媒体生成模型训练微调上一篇G-Helper 完整使用指南华硕笔记本轻量调校工具快速上手下一篇三步导出微信聊天记录免费生成年度聊天报告WeChatMsg 使用教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考