【腾讯云 HAI域探秘】——锋体验官测试感受

腾讯云 HAR域探秘活动CSDN主页：腾讯云“HAI域探秘“新品先锋体验官招募，丰厚大奖限时领取！_CSDN资讯的博客-CSDN博客

前言

参加这次活动感受到自动的好处，有句话叫做前人种树后人乘凉，对于我这样的AI小白来说，能自己搭建起来一个服务，并且顺利的跑起来本身就是一件很开心的事情。

先看看这次测试的是什么：

腾讯云高性能应用服务(Hyper Application Inventor，HAI)，是一款面向 AI 、科学计算的GPU 应用服务产品，为开发者量身打造的澎湃算力平台。无需复杂配置，便可享受即开即用的GPU云服务体验。在HAI中，根据应用智能匹配并推选出最适合的GPU算力资源，以确保您在数据科学、LLM、AI作画等高性能应用中获得最佳性价比。此外，HAI的一键部署特性让您可以在短短几分钟内构建如StableDiffusion、ChatGLM等热门模型的应用环境。而对于AI研究者，我们的直观图形界面大大降低了调试的复杂度，支持jupyterlab、webui等多种连接方式，助您轻松探索与创新。现在只需打开浏览器，HAI便为您打开了一片无限可能的高性能应用领域。

测试的是高性能应用服务HAI，测试步骤还是比较复杂的，我先列一个大纲。

实验过程

1、注册腾讯云并申请HAI使用权限。

2、在【腾讯云 HAI域探秘活动CSDN主页】中留言【支持腾讯云活动，为HAI打call！！！】

3、实名认证【这里使用扫描脸的那个认证，一下就通过了，很快。】

4、创建HAI服务

5、配置中文插件

6、web——ui示例

7、jupyter_lab示例

8、python解析接口示例

9、创建【cloud Studio】示例

大概也就这些个大步骤，官方给了操作文档，之前的活动参与者也写了文档，整个体验下来效率还是非常高的。

我主要测试了AI图片生成，接下来我简单跑一下步骤，有对应的截图，我们也可以照着步骤来，很方便的。

测试纪要

也可以看官方给的详细实验一步骤：如何利用HAI轻松拿捏AI作画 - 2

1、注册腾讯云申请权限并需要进行实名认证操作

申请完资格这里需要等大概1天左右的时间，是人工审核的，考察的内容可能多一些，没有设置自动的内容。只有通过审核后才能使用对应的HAI功能。

审核是不需要身份认证的，但是需要使用HAI的时候就必须进行实名认证的了。下图可以看到我个人建议使用人脸识别，这样效率高。

实名认证后也就能进入到我们的【高性能应用服务——算力管理】当中了，届时可以看到【新建二字】

2、创建服务

服务的话我们这里就直接选择【Stable Diffusion】模型既可，不需要进阶型，0.88每小时测试就可以了，而且活动的主办方说了，50以内的费用会在活动结束后报销的，所以大方的使用吧。磁盘稍微大一些，群里的大佬们说200就差不多够用了，活动方说80G就够进行基础实验的了。

购买完成后就是等待，大概3-8分钟，我是一顿好等啊，毕竟没什么可以做的事情。

运行后我们就可以进入到web-ui中配置中文设置了。

3、配置中文插件

这里需要按照下图的步骤操作，操作完成后下拉找到对应的【zh. CN Localization localization】后就可以点击后面【install】进行安装了。

使用中文插件。

配置完成后需要重新启动web页面，也就是点击【reloadUI】，稍等几秒后就能看到中文页面了。

4、web-ui示例

这里官方给了点示例词语，可以生成一个机器人。

参数名	描述	值
提示词	主要描述图像，包括内容风格等信息，原始的webui会对这个地方有字数的限制，可以安装一些插件突破字数的限制	a pretty cat,cyberpunk art，kerem beyit，very cute robot zen,Playful,Independent，beeple
反向提示词	为了提供给模型，我们不需要的风格	(deformed，distorted，disfigured:1.0)，poorly drawn，bad anatomy，wrong anatomy，extra limb，missing limb，floating limbs，(mutated hands and fingers:1.5)，disconnected limbs，mutation，mutated，ugly，disgusting，blurry，amputation，flowers，human，man，woman
提示词相关性（CFG scale）	分类器自由引导尺度——图像与提示符的一致程度——越低的值产生的结果越有创意，数值越大成图越贴近描述文本。一般设置为7	7
采样方法（Sampling method）	采样模式，即扩散算法的去噪声采样模式会影响其效果，不同的采样模式的结果会有很大差异，一般是默认选择euler，具体效果我也在逐步尝试中。	Euler a
采样迭代步数（Sampling steps）	在使用扩散模型生成图片时所进行的迭代步骤。每经过一次迭代，AI就有更多的机会去比对prompt和当前结果，并作出相应的调整。需要注意的是，更高的迭代步数会消耗更多的计算时间和成本，但并不意味着一定会得到更好的结果。然而，如果迭代步数过少，一般不少于50，则图像质量肯定会下降	80
随机种子（Seed）	随机数种子，生成每张图片时的随机种子，这个种子是用来作为确定扩散初始状态的基础。不懂的话，用随机的即可	1791574510（这个是官方给的，我们可以自己随便换）

我生成的图片比较一般，可以看看。

5、启动服务以及打开swagger接口主页

这里还是比较容易的，直接进入jupyter_lab操作页面。

点开命令行

输入以下命令：

cd /root/stable-diffusion-webui
python launch.py --nowebui --xformers --opt-split-attention  --listen --port 7862

我启动是很顺利的，没有遇到什么问题，群里看其他大佬很多都有各种各样的问题，应该是没有按照提示步骤逐一操作吧，我很听话，所以没出什么问题。

启动后我们能看到http://0.0.0./0:7862的提示，这就对了，然后我们去打开对应的7862的端口服务。

服务中-》编辑规则-》添加TCP:7862

添加完毕后就可以访问：IP:端口号/docs的swagger页面啦。

剩余的就是使用这个接口，可以按照官方给的参数文档来操作。

6、python接口解析

创建一个python项目，再创建一个py文件写入以下代码，这里如果没有【requests】则需要【pip install requests】来安装一下。千万要记得更换一下IP地址哦。

import json
import base64
import requests

your_ip = '0.0.0.0'  # HAI服务器IP地址
your_port = 7862  # SD api 监听的端口


def submit_post(url: str, data: dict):
    """
    Submit a POST request to the given URL with the given data.
    """
    return requests.post(url, data=json.dumps(data))


def save_encoded_image(b64_image: str, output_path: str):
    """
    Save the given image to the given output path.
    """
    with open(output_path, "wb") as image_file:
        image_file.write(base64.b64decode(b64_image))


if __name__ == '__main__':
    # /sdapi/v1/txt2img
    txt2img_url = f'http://{your_ip}:{your_port}/sdapi/v1/txt2img'
    data = {
        'prompt': 'A Colorful space suits,oversized puffed up Rabbit shaped,in the Universe,iridescent unibody costume,Vaporwave fashion,ray trace reflection,CG,3D,EPIC',
        'negative_prompt': '(space suits,Rabbit shaped)',
        'Steps': 50,
        'Seed': 3231278372,
        "width": 1920,
        "height": 1080
    }
    response = submit_post(txt2img_url, data)
    save_encoded_image(response.json()['images'][0], 'bag2.png')

参数说明：

名称	说明
prompt	提示词
negative_prompt	反向提示词
seed	种子，随机数
batch_size	每次张数
n_iter	生成批次
steps	生成步数
cfg_scale	关键词相关性
width	宽度
height	高度
restore_faces	脸部修复
tiling	可平铺
sampler_index	采样方法