AI2.0时代，如何通过AIGC打造爆款营销内容？(附下载)
今天分享的是人工智能AIGC研究报告：《AI2.0时代，如何通过AIGC打造爆款营销内容？》。（报告出品方：腾讯云）
研究报告内容摘要如下
什么是 Stable Diffusion
文生图：根据文本提示作为输入来 生成的图像（输入为文本）
图生图：对图像根据文字描述进行修改（输 入为文本+图像）
Stable Diffusion 系统架构图
• 每张图片都满足一定的规律分布，利用文本中包含的分布信息作为指导，将纯噪声的图片逐步去噪，生成一张跟文本信息匹配的图片
• Stable Diffusion 是一个组合系统，包含了多个模型子模块，组成扩散Pipeline
我们需要什么
· 一种生成图片的神经网络训练方法 —— 寻找分布的方法
· 一种连接文字和图片的方法 —— 多模态连接的方法
· 一种压缩和解压缩图片的方法 —— 加速训练的方法
Diffusion model 运行机制
Stable Diffusion 模块分析
多模态连接的方法
• CLIP是图像 Encoder 和文本 Encoder 的组合，CLIP 训练时分别对图像和文本进行编码，使用余弦相似度 进行对比，反向更新两个 Encoder 的参数
• 完成训练后，输入配对的图片和文字，两个 encoder 就可以输出相似的 embedding 向量，输入不匹配的 图片和文字，两个 encoder 输出向量的余弦相似度 就会接近于 0
• 推理时，输入文字通过 CLIP 转化为 embedding ， 映射进 Unet 注意力层，和图片相互作
变分自编码器 VAE
3. 加速训练的方法
为了加快图像生成过程，Stable Diffusion 没有在像素图像上进行运行，而是在图像的压缩版本（潜空间）上运行。模型学习时，将图像的尺寸先减小再恢复到原始尺寸。使用解码器从压缩数据中重建图像时，会同时学习之前的所有相关信息。
使用腾讯云TKE+CFS部署 Stable Diffusion
通过qGPU提升推理服务并发性能
qGPU：GPU共享技术
qGPU是腾讯云推出的GPU共享技术，支持在多个容器间共享GPU卡并提供容器间显存、算力强隔离的能力，从而在更小粒度的使用GPU卡的基础上，保证业务安全，达到提高GPU使用率、降低客户成本的目的。
·灵活性：自由配置GPU显存大小和算力占比
·云原生：支持标准Kubernetes和NVIDIADocker
·兼容性：业务不重编、CUDA库不替换、业务无感
·高性能：GPU设备底层虚拟化，高效收敛，吞吐接近0损耗
·强隔离：支持显存和算力的严格隔离
StableDiffusion使用qGPU
StableDiffusionWebUI服务以串行方式处理请求，如果希望增加推理服务并发性能，可以考虑扩展Deployment的Pod数量，以轮询的方式响应请求。这里我们采用TKEqGPU能力，将多个实例Pod运行在同一张A10卡上，在保障业务稳定性的前提下，切分显卡资源，降低部署成本。
采用qGPU方式，需要先将Pod的资源申请方式进行修改。如果计划单卡上部署2个Pod，将卡数改为50%的算力分配，显存设置为A10显存的一半。DeploymentYAML更新完成后，调整Pod数量为2个，即可实现负载均衡的StableDiffusion轮询模式
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
本报告共计：52页。受篇幅限制,仅列举部分内容。
精选报告来源公众号：【幻影视界】,回复关键字“202307”，获取完整PDF电子版