stable diffusion webui
发布于 2023-02-27   237人围观   0条评论

stable-diffusion

安装 stable-diffusion 的 webui
https://github.com/AUTOMATIC1111/stable-diffusion-webui

代理问题 参考 https://www.bilibili.com/read/cv19991459/

下载基础 model

chilloutmix_.safetensors

下载 lora

https://pan.baidu.com/s/16COQPvNXz05swe-ymI5lmg
提取码 nrdd

测试用

masterpiece, 1 girl, cute face, white hair, red eyes

通用反咒

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, bad feet

其他反咒

paintings, sketches, (worst quality:2),(low quality:2),(normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)), skin spots, acnes, skin blemishes, age spot, glans,{{{bad_hands}}},badhand, bad_feet

查看更多
Helm 构建 Charts
? k8s ?    发布于 2022-02-13   196人围观   0条评论

Helm

Helm 是 k8s 中的包管理工具

mac 安装方法如下，

  1. brew install helm

linux 安装方法如下，

  1. brew install helm

Helm 使用的包称为 chart

Chart

多个资源的集合，解决资源部署的问题

创建和使用

  1. 创建
  1. helm create mychart # 创建
  1. .
  2. ├── Chart.yaml # 描述该Chart的基本信息，如名称、描述、版本等
  3. ├── charts
  4. ├── templates
  5. │   ├── NOTES.txt
  6. │   ├── _helpers.tpl
  7. │   ├── deployment.yaml
  8. │   ├── hpa.yaml
  9. │   ├── ingress.yaml
  10. │   ├── service.yaml
  11. │   ├── serviceaccount.yaml
  12. │   └── tests
  13. │       └── test-connection.yaml
  14. └── values.yaml

2.修改模版文件和 Value

可以参考已有的一些模版文件，魔改
修改 Chart

3.helm 模版调试

  1. helm install --debug --dry-run ./mychart

4.测试打包

  1. helm lint ./mychart # 静态检查
  2. helm package ./mychart # 打包

5.安装

  1. helm install -name mychart1
查看更多
发布于 2020-03-09   555人围观   0条评论

摘要

我们设计和实现了谷歌文件系统，一个面向大规模分布式数据密集型应用的可伸缩文件系统。即使在普通廉价的商用机器上，它也提供了容灾和高性能服务。

GFS的设计目标和传统分布式文件系统类似，但是我们的设计和实现是由我们的应用负载和技术环境驱动的。不管是现在还是将来，GFS和早起的设想都有出入，我们重新审视了传统文件系统在设计上的折中选择，并衍生出完全不同的设计思路。

GFS完全满足我们对存储的需求。Google内部广泛使用GFS生成和处理大数据集。最大的集群使用数千台机器，提供了数百T的存储空间，服务于数百台客户机。

本文介绍GFS对于分布式应用的接口支持和扩展，讨论GFS的设计思路和细节，列出小规模测试和生产环境中的性能数据。

1. Introduction

GFS的设计和实现是为了满足谷歌快速增长的数据处理需求。GFS和传统的分布式文件系统具有许多相同的设计目标，如性能、可伸缩性、可靠性、可用性。但是，其设计由我们的技术环境驱动而来，因此和早期的文件系统又有着标志性的不同。我们考虑了传统文件系统的折衷选择，并给出了完全不同的设计思路。

首先，组件失败被认为是常态事件，而非意外事件。GFS包括数百台甚至数千台机器，支持可观数量的客户机访问。在任何时刻，机器组件都有可能发生故障，或者无法恢复有效服务。我们曾经遇到过程序bug、操作系统bug、人为失误、磁盘损坏、内存损坏、网络故障、电源损坏等各种各样的问题。所以，持续的监控、错误检测、容错和自动恢复等机制需要集成到GFS中。

其次，以传统的角度看，我们的文件庞大，数G大小的文件非常普遍。。每个文件通常包含许多应用程序对象，比如web文档。当处理数亿个对象构成的数以TB的数据集时，采用管理数亿个KB大小的小文件的方式是不明智的，尽管有些文件系统支持。因此，I/O操作、文件块尺寸等因素都需要重新考虑。

第三，绝大多数文件通过在文件尾部添加新数据的方式修改，而不是覆写已有数据。对文件的随机写入，在实际生产环境中几乎不存在。一旦文件写入完成，那么这些文件通常是只读，并且是按顺序读。比如，数据分析程序扫描超大数据集；正在运行的程序不断生成数据流；已归档的数据；一台机器上生成的中间结果，会被

查看更多
6.824 2020 Lecture 2: Infrastructure: RPC and threads
发布于 2020-03-08   778人围观   0条评论

6.824实验的基础设施：RPC和线程

Go中的线程和RPC，以及Go Tour中的一些练习

为什么使用Go作为lab的编程语言

线程

常用的结构化工具，但是使用起来会有各种各样的trick。在Go中，被称作goroutines。线程的存在，使得一个程序可以并发的处理多项任务。线程共享内存空间，线程不共享的有程序计数器、线程栈、寄存器。

在分布式系统中，我们需要线程的并行语义：
1. I/O并发。多个客户端发送请求并等待响应，服务端处理多个客户端请求。当在等待读取客户端X的数据时，可以利用等待的时间去处理客户端Y的请求。
2. 多核性能。代码可以并行地在多个cpu核里运行。
3. 便捷

线程有无替代品

事件驱动，就是线程的替代品。即，在一个线程中，活动状态交织，其实就是状态机。维护一个数据结构，保存每个活动的状态，比如，每个客户端请求。

开启一个事件循环，监听每个活动的输入（比如，服务端的响应到达），然后切换该活动到下一状态。

事件驱动，也可以实现I/O并发，并且避免线程切换的开销，但是浪费了多核编程环境。

多线程编程的难点

  • 数据共享
    • 比如，如果两个线程同时执行n = n + 1，或者，一个线程增加n时，另外一个线程读取n。这时候需要利用锁机制（Go里面有sync.Mutex），或者，避免共享可变对象数据。
  • 线程之间的条件竞争
    • 比如一个线程在生产数据，另外一个消耗数据。那么消费者怎么等待数据，生产者怎么唤醒消费者。Go中使用Go channel、sync.Cond、WaitGroup等数据结构解决该问题。
  • 死锁
    • RPC或者Go channels中可能产生死锁

Web Crawler

爬虫需要注意的两个问题：
1. I/O并发
多个线程，同时爬取多个网址
2. 每个URL只处理一次，避免重复处理
维护一个数据结构记录已经处理过的url，并且知道爬取程序的终止条件

crawler.go有两种解决方式

查看更多
《MapReduce: Simplified Data Processing on Large Clusters》阅读
? 周报 ?    发布于 2020-03-02   261人围观   0条评论

摘要

MapReduce是一种用来处理和生成大数据集的编程模型以及相关实现。用户选定一个map函数，该map函数的输入是一个键值对，输出是一系列中间键值对。然后用户选定一个reduce函数，该reduce函数用于处理具有相同键的所有中间键值对，并得到结果。实际生产中，有大量应用可以用此模型描述。

这种编程模型可以在集群上并行工作。运行时系统会自动分割输入数据、分发任务到各个机器、处理任务失败或者机器故障、管理必要的机器间通信。因此，即使没有分布式系统经验的程序员，也可以方便地利用分布式系统的资源。

现在每天有大量MapReduce模型的工程运行于谷歌集群，其具有高度的扩展性，一个典型的MapReduce计算可以利用集群处理TB级别的数据集。

1.介绍

过去数年，大量特殊目的的计算程序被设计出来，用于处理大量的原始数据集，比如爬虫结果、网络请求日志，来得到需要的衍生数据，比如倒排索引、web文档的图结构、某日查询最多的关键词。虽然这类计算在概念上非常直观，但是由于输入数据集非常庞大，因此需要将这些输入数据集切割、分发到多个机器上处理。但是除了原来本有的计算模型外，还需要编写大量复杂的代码去处理并行化计算、数据分发、故障处理等问题。

因此我们干脆设计一种新的抽象，将并行计算、容错、数据分发、负载均衡这些复杂技术细节隐藏起来，交给库去完成，我们只需要定义计算模型即可。这种抽象的灵感来自于Lisp等函数式编程语言中的Map和Reduce原语。我们意识到许多计算都需要对输入的每个记录应用一个"map"操作来得到中间一系列键值对，之后再对所有拥有相同键的值应用"reduce"操作，得到衍生数据集。因此如果一个编程模型，允许我们通过定义map操作和reduce操作，那我们就可以方便设计大量并行计算，并且我们可以使用重新执行作为主要的容错机制。

这次工作的主要贡献是提供一个简单而强大的接口，可以使用这个接口完成自动并行化和大规模分布式计算，并且该接口的实现在大型商用集群上性能卓然。

本文第二章给出基本编程模型以及一些栗子。第三章介绍为集群计算环境量身定做的MapReduce接口。第四章介绍一些对于编程模型的改进。第五章测试了我们的实现在不同任务

查看更多