Stable Diffusion的入门介绍和使用教程

Stable Diffusion是一个文本到图像的潜在扩散模型,由CompVis、Stability AI和LAION的研究人员和工程师创建。它使用来自LAION-5B数据库子集的512x512图像进行训练。使用这个模型,可以生成包括人脸在内的任何图像,因为有开源的预训练模型,所以我们也可以在自己的机器上运行它,如下图所示。

如果你足够聪明和有创造力,你可以创造一系列的图像,然后形成一个视频。例如,Xander Steenbrugge使用它和上图所示的输入提示创建了下面这段令人惊叹的《穿越时间》视频。

以下是他用来创作这幅创造性艺术作品的灵感和文本:

本文首先介绍什么是Stable Diffusion,并讨论它的主要组成部分。然后我们将使用模型以三种不同的方式创建图像,这三种方式从更简单到复杂。

Stable Diffusion

Stable Diffusion是一种机器学习模型,它经过训练可以逐步对随机高斯噪声进行去噪以获得感兴趣的样本,例如生成图像。

扩散模型有一个主要的缺点就是去噪过程的时间和内存消耗都非常昂贵。这会使进程变慢,并消耗大量内存。主要原因是它们在像素空间中运行,特别是在生成高分辨率图像时。

Latent diffusion通过在较低维度的潜空间上应用扩散过程而不是使用实际的像素空间来减少内存和计算成本。所以Stable Diffusion引入了Latent diffusion的方式来解决这一问题计算代价昂贵的问题。

1、Latent diffusion的主要组成部分

Latent diffusion有三个主要组成部分:

自动编码器(VAE)

自动编码器(VAE)由两个主要部分组成:编码器和解码器。编码器将把图像转换成低维的潜在表示形式,该表示形式将作为下一个组件U_Net的输入。解码器将做相反的事情,它将把潜在的表示转换回图像。

在Latent diffusion训练过程中,利用编码器获得正向扩散过程中输入图像的潜表示(latent)。而在推理过程中,VAE解码器将把潜信号转换回图像。

U-Net

U-Net也包括编码器和解码器两部分,两者都由ResNet块组成。编码器将图像表示压缩为低分辨率图像,解码器将低分辨率解码回高分辨率图像。

为了防止U-Net在下采样时丢失重要信息,通常在编码器的下采样的ResNet和解码器的上采样ResNet之间添加了捷径的连接。

在Stable Diffusion的U-Net中添加了交叉注意层对文本嵌入的输出进行调节。交叉注意层被添加到U-Net的编码器和解码器ResNet块之间。

Text-Encoder

文本编码器将把输入文字提示转换为U-Net可以理解的嵌入空间,这是一个简单的基于transformer的编码器,它将标记序列映射到潜在文本嵌入序列。从这里可以看到使用良好的文字提示以获得更好的预期输出。

为什么Latent Diffusion快速有效

Latent Diffusion之所以快速有效,是因为它的U-Net是在低维空间上工作的。与像素空间扩散相比,这降低了内存和计算复杂度。例如,一个(3,512,512)的图像在潜在空间中会变成(4,64,64),内存将会减少64倍。

Stable Diffusion的推理过程

首先,模型将潜在空间的随机种子和文本提示同时作为输入。然后使用潜在空间的种子生成大小为64×64的随机潜在图像表示,通过CLIP的文本编码器将输入的文本提示转换为大小为77×768的文本嵌入。

然后,使用U-Net 在以文本嵌入为条件的同时迭代地对随机潜在图像表示进行去噪。U-Net 的输出是噪声的残差,用于通过scheduler 程序算法计算去噪的潜在图像表示。scheduler 算法根据先前的噪声表示和预测的噪声残差计算预测的去噪图像表示。

许多不同的scheduler 算法可以用于这个计算,每一个都有它的优点和缺点。对于Stable Diffusion,建议使用以下其中之一:

  • PNDM scheduler (默认)
  • DDIM scheduler
  • K-LMS scheduler

去噪过程重复约50次,这样可以逐步检索更好的潜在图像表示。一旦完成,潜在图像表示就会由变分自编码器的解码器部分进行解码。

使用 Hugging Face的API

Hugging Face提供了一个非常简单的API来使用我们的模型生成图像。在下图中可以看到我使用了“astronaut riding a horse”作为输入得到输出图像:

他提供的模型还包含了一些可用的高级选项来改变生成的图像的质量,如下图所示:

这里的四个选项说明如下:

images:该选项控制的生成图像数量最多为4个。

Steps:此选项选择想要的扩散过程的步骤数。步骤越多,生成的图像质量越好。如果想要高质量,可以选择可用的最大步骤数,即50。如果你想要更快的结果,那么考虑减少步骤的数量。

Guidance Scale:Guidance Scale是生成的图像与输入提示的紧密程度与输入的多样性之间的权衡。它的典型值在7.5左右。增加的比例越多,图像的质量就会越高,但是你得到的输出就会越少。

Seed:随机种子够控制生成的样本的多样性

使用Diffuser 包

第二种使用的方法是使用Hugging Face的Diffusers库,它包含了目前可用的大部分稳定扩散模型,我们可以直接在谷歌的Colab上运行它。

第一步是打开谷歌collab,检查是否连接到GPU,可以在资源按钮中查看,如下图所示:

另一个选择是从运行时菜单中选择更改运行时类型,然后检查硬件加速器被选择为GPU:

我们确保使用GPU运行时后,使用下面的代码,查看我们得到的GPU

 !nvidia-smi

非常不幸我们只分配到了一个T4,如果你能分配到一块P100,那么你的推理速度会变得更快

下面我们安装一些需要的包:diffusers ,scipy, ftfy和transformer:

 !pip install diffusers==0.4.0
 !pip install transformers scipy ftfy
 !pip install "ipywidgets>=7,<8"

这里需要的额外操作是必须同意模型协议,还要通过勾选复选框来接受模型许可。“Hugging Face”上注册,并获得访问令牌等等。

另外对于谷歌collab,它已经禁用了外部小部件,所以需要启用它。运行以下代码这样才能够使用“notebook_login”

 from google.colab import output
 output.enable_custom_widget_manager()

现在就可以从的账户中获得的访问令牌登录Hugging Face了:

 from huggingface_hub import notebook_login
 
 notebook_login()

从diffusers库加载StableDiffusionPipeline。StableDiffusionPipeline是一个端到端推理管道,可用于从文本生成图像。

我们将加载预训练模型权重。模型id将是CompVis/ stable-diffusion-v1-4,我们也将使用一个特定类型的修订版torch_dtype函数。设置revision = “fp16”从半精度分支加载权重,并设置torch_dtype = " torch。torch_dtype = “torch.float16”告诉模型使用fp16的权重

像这样设置可以减少内存,并且运行的更快。

 import torch
 from diffusers import StableDiffusionPipeline
 
 # make sure you're logged in with `huggingface-cli login`
 pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", revision="fp16", torch_dtype=torch.float16)  

下面设置GPU

 pipe = pipe.to("cuda")

现在就可以生成图片了。我们将编写一个提示文本并将其交给管道并打印输出。这里的输入提示是“an astronaut riding a horse”,让看看输出:

 prompt = "a photograph of an astronaut riding a horse"
 image = pipe(prompt).images[0]  # image here is in [PIL format](https://pillow.readthedocs.io/en/stable/)
 
 # Now to display an image you can do either save it such as:
 image.save(f"astronaut_rides_horse.png")

每次运行上面的代码,都会得到不同的图像。为了每次都得到相同的结果,你可以向传递一个随机种子,如下面的代码所示:

 import torch
 generator = torch.Generator("cuda").manual_seed(1024)
 image = pipe(prompt, generator=generator).images[0]
 image

还可以使用num_inference_steps参数更改步骤的数量。一般来说,推理步骤越多,生成的图像质量越高,但生成结果需要更多的时间。如果你想要更快的结果,你可以使用更少的步骤。

下面的单元格使用与前面相同的种子,但步骤更少。注意一些细节,如马头或头盔,比前一张图定义得更模糊:

 import torch
 generator = torch.Generator("cuda").manual_seed(1024)
 image = pipe(prompt, num_inference_steps=15, generator=generator).images[0]
 image

另一个参数是Guidance Scale。这是一种提高对条件信号的依从性的方法,在扩散模型的情况下它是文本和整体样本质量。

简单地说,无分类信息的引导迫使生成与文本提示更好地匹配。像7或8.5这样的数字可以给出很好的结果。如果使用的数字非常大图像可能看起来很好,但会减少多样性。

如果要为相同的文本提示生成多个图像,只需重复多次输入相同的文本即可。我们可以把文本的列表发送到模型中,让我们编写一个助手函数来显示多个图像

 from PIL import Image
 
 def image_grid(imgs, rows, cols):
     assert len(imgs) == rows*cols
 
     w, h = imgs[0].size
     grid = Image.new('RGB', size=(cols*w, rows*h))
     grid_w, grid_h = grid.size
     
     for i, img in enumerate(imgs):
         grid.paste(img, box=(i%cols*w, i//cols*h))
     return grid

现在,我们可以生成多个图像并一起展示了。

 num_images = 3
 prompt = ["a photograph of an astronaut riding a horse"] * num_images
 
 images = pipe(prompt).images
 
 grid = image_grid(images, rows=1, cols=3)
 grid

还可以生成n*m张图像:

 num_cols = 3
 num_rows = 4
 
 prompt = ["a photograph of an astronaut riding a horse"] * num_cols
 
 all_images = []
 for i in range(num_rows):
   images = pipe(prompt).images
   all_images.extend(images)
 
 grid = image_grid(all_images, rows=num_rows, cols=num_cols)
 grid

生成的图像默认大小为512*512像素。可以使用height和width参数来更改生成图像的高度和宽度。这里有一些选择好的图片大小的技巧:

将height和width参数都选择为8的倍数。高度和宽度设置为小于512,可能会导致质量比较差如果两个都设置为512以上可能会出现全局连贯性(Global Coherence),所以如果需要大图像可以试试选一个值固定的512,而另一个大于512。例如下面的大小:

 prompt = "a photograph of an astronaut riding a horse"
 
 image = pipe(prompt, height=512, width=768).images[0]
 image

建立你自己的处理管道

我们也可以通过Diffusers自定义扩散管道与扩散器。这里将演示如何使用不同的scheduler,即Katherine Crowson的K-LMS调度器。

我们先看一下StableDiffusionPipeline:

 import torch
 torch_device = "cuda" if torch.cuda.is_available() else "cpu"

预训练的模型包括建立一个完整的管道所需的所有组件。它们存放在以下文件夹中:

text_encoder:Stable Diffusion使用CLIP,但其他扩散模型可能使用其他编码器,如BERT。

tokenizer:它必须与text_encoder模型使用的标记器匹配。

scheduler:用于在训练过程中逐步向图像添加噪声的scheduler算法。

U-Net:用于生成输入的潜在表示的模型。

VAE,我们将使用它将潜在的表示解码为真实的图像。

可以通过引用组件被保存的文件夹,使用from_pretraining的子文件夹参数来加载组件。

 from transformers import CLIPTextModel, CLIPTokenizer
 from diffusers import AutoencoderKL, UNet2DConditionModel, PNDMScheduler
 
 # 1. Load the autoencoder model which will be used to decode the latents into image space. 
 vae = AutoencoderKL.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="vae")
 
 # 2. Load the tokenizer and text encoder to tokenize and encode the text. 
 tokenizer = CLIPTokenizer.from_pretrained("openai/clip-vit-large-patch14")
 text_encoder = CLIPTextModel.from_pretrained("openai/clip-vit-large-patch14")
 
 # 3. The UNet model for generating the latents.
 unet = UNet2DConditionModel.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="unet")

现在,我们不加载预定义的scheduler,而是加载K-LMS

 from diffusers import LMSDiscreteScheduler
 
 scheduler = LMSDiscreteScheduler(beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000)

将模型移动到GPU上。

 vae = vae.to(torch_device)
 text_encoder = text_encoder.to(torch_device)
 unet = unet.to(torch_device)

定义用于生成图像的参数。与前面的示例相比,设置num_inference_steps = 100来获得更明确的图像。

 prompt = ["a photograph of an astronaut riding a horse"]
 
 height = 512                        # default height of Stable Diffusion
 width = 512                         # default width of Stable Diffusion
 
 num_inference_steps = 100            # Number of denoising steps
 
 guidance_scale = 7.5                # Scale for classifier-free guidance
 
 generator = torch.manual_seed(32)   # Seed generator to create the inital latent noise
 
 batch_size = 1

获取文本提示的text_embeddings。然后将嵌入用于调整U-Net模型。

 text_input = tokenizer(prompt, padding="max_length", max_length=tokenizer.model_max_length, truncation=True, return_tensors="pt")
 
 with torch.no_grad():
   text_embeddings = text_encoder(text_input.input_ids.to(torch_device))[0]

获得用于无分类器引导的无条件文本嵌入,这只是填充令牌(空文本)的嵌入。它们需要具有与text_embeddings (batch_size和seq_length)相同的形状。

 max_length = text_input.input_ids.shape[-1]
 uncond_input = tokenizer(
     [""] * batch_size, padding="max_length", max_length=max_length, return_tensors="pt"
 )
 with torch.no_grad():
   uncond_embeddings = text_encoder(uncond_input.input_ids.to(torch_device))[0]

对于无分类的引导,需要进行两次向前传递。第一个是条件输入(text_embeddings),第二个是无条件嵌入(uncond_embeddings)。把两者连接到一个批处理中,以避免进行两次向前传递:

 text_embeddings = torch.cat([uncond_embeddings, text_embeddings])

生成初始随机噪声:

 latents = torch.randn(
   (batch_size, unet.in_channels, height // 8, width // 8),
   generator=generator,
 )
 latents = latents.to(torch_device)

产生的形状为64 * 64的随机潜在空间。模型会将这种潜在的表示(纯噪声)转换为512 * 512的图像。

使用所选的num_inference_steps初始化scheduler。这将计算sigma和去噪过程中使用的确切步长值:

 scheduler.set_timesteps(num_inference_steps)

K-LMS需要用它的sigma值乘以潜在空间的值:

 latents = latents * scheduler.init_noise_sigma

最后就是去噪的循环:

 from tqdm.auto import tqdm
 from torch import autocast
 
 for t in tqdm(scheduler.timesteps):
   # expand the latents if we are doing classifier-free guidance to avoid doing two forward passes.
   latent_model_input = torch.cat([latents] * 2)
 
   latent_model_input = scheduler.scale_model_input(latent_model_input, t)
 
   # predict the noise residual
   with torch.no_grad():
     noise_pred = unet(latent_model_input, t, encoder_hidden_states=text_embeddings).sample
 
   # perform guidance
   noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
   noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond)
 
   # compute the previous noisy sample x_t -> x_t-1
   latents = scheduler.step(noise_pred, t, latents).prev_sample

然后就是使用vae可将产生的潜在空间解码回图像:

 # scale and decode the image latents with vae
 latents = 1 / 0.18215 * latents
 
 with torch.no_grad():
   image = vae.decode(latents).sample

最后将图像转换为PIL,以便我们可以显示或保存它。

 image = (image / 2 + 0.5).clamp(0, 1)
 image = image.detach().cpu().permute(0, 2, 3, 1).numpy()
 images = (image * 255).round().astype("uint8")
 pil_images = [Image.fromarray(image) for image in images]
 pil_images[0]

这样一个完整的Stable Diffusion模型的处理过程就完成了。看完本文希望你已经知道了如何使用Stable Diffusion以及它具体工作的原理,如果你对他的处理流程还有疑问,可以通过自定义处理管道来深入的了解他的工作流程,希望本文对你有所帮助。

如果你对本文感兴趣 代码在这里:https://github.com/youssefHosni/Stable-Diffusion

colab在这里:https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/stable_diffusion.ipynb#scrollTo=AAVZStIokTVv

作者:Youssef Hosni

本文转载于网络 如有侵权请联系删除

相关文章

  • 复刻《三体》雪地工程?建立恒星目录,德国天文学家开发出全新星际导航系统

    大数据文摘出品马斯克的星际旅行还在努力,天文学家已经开始设计导航系统,原理有点像《三体》雪地工程。3月20日,在中国发展高层论坛2021年会上,马斯克表示跨星际旅行正在成为可能。马斯克说,“亘久以来,这是第一次出现生命可以走出地球的机会,我们也可以去探索其他的星球,而脑机接口技术则可以确保人类意识的传递和延续”。在3月11日举办的西南偏南大会(SXSW)上,马斯克也透露,SpaceX正在打造第一艘太空船,预计在明年上半年度就能开始短程飞行测试。眼看着马斯克的星际旅行时间表越来越近,一些配套的技术也在蓬勃发展。比如星际导航。最近,德国马克斯·普朗克天文研究所一位名叫Coryna.l.Bailer-Jones的天文学家设计了一款星际导航系统。这个导航系统不同于已有的太空导航系统,它首先建立一个恒星目录,然后根据航天器与这些恒星的相对位置变化,来计算出航天器在六个维度(三个空间维度和三个速度维度)的参数。据论文介绍,该系统在只利用20颗恒星的情况下,可以将航天器的位置和速度误差控制在3个天文单位和2公里每秒以内。并且这种精确度可以与恒星数目的平方根成反比,例如将恒星目录增加到100颗恒星,其

  • ES6 对象都新增了哪些属性

    ES6对象都新增了哪些属性允许对象属性以变量的形式letname="Ken" letage=18 letobj={name,age} 复制方法可以简写letperson={ sayHi(){ console.log("halou") } } 复制属性表达式letperson={ ['say'+'Hi'](){ console.log("sayHi") } } consthello="Hello" constobj={ [hello+"2"]:"world" } 复制对象数组扩展运算符letobj={name:'人生代码',age:18} letsomeone={...obj} 复制合并对象letone={name:'人生代码'} lettwo={age:18} letsomeone={...one,...two} 复制对象的新方法Object.assign用于将源对象的所有可枚举属性

  • Egg 中的定时任务

    在项目开发中,有许多场景需要执行一些定时任务,Egg提供了一套机制来让定时任务的编写和维护更加优雅。1.定时任务的使用场景1.定时上报应用状态。2.定时从远程接口更新本地缓存。3.定时进行文件切割、临时文件删除。2.定时任务的写法所有定时任务都统一存放在app/schedule目录下,每一个文件都是一个独立的定时任务,可以配置定时任务的属性和要执行的方法。//app/schedule/updateCache.js constSubscription=require('egg').Subscription; classUpdateCacheextendsSubscription{ //通过schedule属性来设置定时任务的执行间隔等配置 staticgetschedule(){ return{ //执行时间间隔 interval:'5s', //指定所有的worker(进程)都需要执行 type:'all', //是否禁用 disable:false } } //定时执行的操作 asyncsubscribe(){ constr

  • stm32mp157开发板USB Host 接口&OTG 接口测试

    4.3USBHost接口测试此节演示在终端下如何在USBHost接口上使用usb存储设备。注意:需要准备一个USB设备,比如U盘、USB蓝牙模块、usb网卡或者usb摄像头等。 下面使用一个U盘作为例子,插到任意一个USBHost接口,会打印出如下设备信息: 通过打印的设备信息可知,系统为该usb存储设备创建的设备节点为/dev/sda。一般来说/dev/sda对应整个U盘,/dev/sda1对应该U盘的第1个分区,/dev/sda2对应第2个分区。有些U盘没有划分分区,它只有一个设备节点/dev/sda,而没有/dev/sda1等节点。对于这种情况,/dev/sda既代表整个U盘,也代表第1个分区。我们可以挂载某个分区,挂载之前要先通过fdisk命令获取分区类型,如下所示: 从上图可知/dev/sda1是FAT32,挂载时可以指定类型为“vfat”: 注意:暂不支持分区类型为NTFS的U盘。 测试完以后,通过umount卸载/mnt,才可拔下usb设备:[root@100ask:~]#umount/mnt复制4.4OTG接口测试此节演示如何测试OTG接口的两种模式,分别是de

  • 2D变形(CSS3) transform

    transform是CSS3中具有颠覆性的特征之一,可以实现元素的位移、旋转、倾斜、缩放,甚至支持矩阵方式变形转换transformtransform变换变形的意思移动translate(x,y)1.2D移动是2D转换里面的一种功能,可以改变元素在页面中的位置,类似定位translate移动平移的意思translate(50px,50px);使用translate方法来将文字或图像在水平方向和垂直方向上分别垂直移动50像素。可以改变元素的位置,x、y可为负值;ranslate(x,y)水平方向和垂直方向同时移动(也就是X轴和Y轴同时移动) translateX(x)仅水平方向移动(X轴移动) translateY(Y)仅垂直方向移动(Y轴移动)2.重点定义2D转换中的移动,沿X轴和Y轴移动元素 translate最大的优点:不会影响到其他元素的位置 translate中的百分比单位是相对自身元素的translate:(50%,50%); 对行内标签没有效果 .box{ width:499.9999px; height:400px; background:pink; position:a

  • 神经网络低比特量化——DSQ

    DSQ本文为商汤科技的量化工作,发表在ICCV2019,论文题目:DifferentiableSoftQuantization:BridgingFull-PrecisionandLow-BitNeuralNetworks。为了解决量化精度越低,模型识别率越低的问题,本文提出了一种可微软量化(DSQ)方法来弥补全精度网络和低比特网络之间的差距。DSQ可以在训练过程中自动进化,逐步逼近标准量化。由于DSQ的可微性,在适当的限幅范围内,DSQ可以在后向传播中跟踪精确的梯度,减少前向过程中的量化损失。通过对几种常用网络结构的大量实验表明,用DSQ训练低比特神经网络的性能始终优于目前最先进的量化方法。此外,与开源的8位高性能推理框架NCNN相比,我们第一个在ARM架构的设备上部署2到4位DSQ的有效实现速度提高了1.7倍。 论文链接:https://arxiv.org/pdf/1908.05033v1.pdf源码链接(非官方复现):https://github.com/ricky40403/DSQ摘要硬件友好的网络量化(如二进制/均匀量化)可以有效地加速推理,同时降低深度神经网络的内存消耗,这对

  • 如何将机器学习应用到地球科学领域

    机器学习(MachineLearning,ML)在科学和技术领域大受欢迎,但是研究者,尤其是年轻科学家,不清楚如何利用这些方法到他们的工作中。机器学习(ML)可以定义为“计算机在无需显示编程的情况下从数据中学习的能力”。过去十年间在技术领域大受欢迎。同时地球和空间科学(EarthandSpaceScience,ESS)领域也越来越多的采用ML帮助解决迫切的问题以及处理复杂的数据集。比如,从2009年到2019年,在AGU发表的涉及ML的研究数量增加了大概1倍。ESS领域为ML的应用提供了理想的案例。因为需要处理的问题通常是非常重要的,比如气候变化、天气预报和自然灾害评估,所使用的数据集数据量大、质量高且免费。此外,开发ML所需要的计算资源的价格也在逐渐亲民。而且开源软件的发布也降低了ML的门槛。尽管如此,ESS领域对ML感兴趣的年轻科学家和学生并不知道应该如何去做。工具选择ML算法可认为是包含了大量参数的数学函数,可以接受输入特征,然后映射到单个/多个输出。训练ML算法包括优化参数,以准确的映射输入和输出之间关系。在大多数ESS领域的应用,ML算法主要包括两类:监督学习和无监督学习。第

  • 玩转 Spring Boot 原理篇(自动装配前凑之自定义Stater)(十一)

    0. 0.1.SpringBoot自动装配原理前凑之自定义Starter坊间SpringBoot如此受宠,自动装配的架构设计则功不可没。为了清晰理解SpringBoot自动装配的原理,本次一起自定义一个SpringBootStarter,先从代码层面感受一下自动装配的能力。缺少任何场景的代码实现都是耍流氓,假定一个场景,定义一个猜数字游戏的服务,然后借助自动装配来实现猜数字游戏。俗话说:照着葫芦画个瓢。所以不着急去实现,咱们先找一个可以参考的葫芦,然后照着画个瓢。1. 找到葫芦以mybatis-spring-boot-starter启动依赖作为葫芦来参考。<dependency><groupId>org.mybatis.spring.boot</groupId><artifactId>mybatis-spring-boot-starter</artifactId><version>2.2.1</version></dependency>复制项目中引入MyBatis启动依赖后,可以看到myba

  • kotlin相比于java的好处和坏处_kotlin和java

    目录什么是Kotlin?什么是Java?主要区别:Kotlin的特点Java的特点Kotlin的历史JAVA的历史Kotlin和Java的区别Kotlin的优势Java的优势Kotlin的缺点Java的缺点哪个更好?大家好,我是坚果,这里是坚果前端小课堂,大家喜欢的话,可以关注我的公众号,获取更多资讯。什么是Kotlin?Kotlin是一种可以在Java虚拟机(JVM)上运行的开源编程语言。该语言可以在许多平台上运行。它是一种将面向对象编程(OOP)和函数式编程结合在一个不受限制、自给自足且与众不同的平台中的语言。什么是Java?Java是一种多平台、面向对象、以网络为中心的编程语言。它是最常用的编程语言之一。它也用作计算平台,最早由SunMicrosystem于1995年发布,后来被Oracle公司收购。主要区别:Kotlin结合了面向对象和函数式编程的特性,而Java仅限于面向对象编程。Kotlin允许用户创建扩展函数,而Java不提供任何扩展函数。Kotlin不提供隐式转换,而Java支持隐式转换。另一方面,Kotlin中没有空变量或对象,空变量或对象是Java语言的一部分。Ko

  • 腾讯云容器服务查询Kubernetes控制器状态api接口

    1.接口描述接口请求域名:tke.tencentcloudapi.com。 用于查询Kubernetes的各个原生控制器是否开启 默认接口请求频率限制:20次/秒。 APIExplorer提供了在线调用、签名验证、SDK代码生成和快速检索接口等能力。您可查看每次调用的请求内容和返回结果以及自动生成SDK调用示例。 2.输入参数以下请求参数列表仅列出了接口请求参数和部分公共参数,完整公共参数列表见公共请求参数。 参数名称 必选 类型 描述 Action 是 String 公共参数,本接口取值:DescribeClusterControllers。 Version 是 String 公共参数,本接口取值:2018-05-25。 Region 是 String 公共参数,详见产品支持的地域列表。 ClusterId 是 String 集群ID 3.输出参数 参数名称 类型 描述 ControllerStatusSet ArrayofControllerStatus 描述集群中各个控制器的状态 RequestId String 唯一

  • 腾讯云即时通信IM导入好友关系链管理

    功能说明 支持批量导入单向好友。 往同一个用户导入好友时建议采用批量导入的方式,避免并发写导致的写冲突。 接口调用说明请求URL示例https://console.tim.qq.com/v4/sns/friend_import?sdkappid=88888888&identifier=admin&usersig=xxx&random=99999999&contenttype=json复制 请求参数说明下表仅列出调用本接口时涉及修改的参数及其说明,更多参数详情请参考RESTAPI简介。 参数 说明 v4/sns/friend_import 请求接口 sdkappid 创建应用时即时通信IM控制台分配的SDKAppID identifier 必须为App管理员帐号,更多详情请参见App管理员 usersig App管理员帐号生成的签名,具体操作请参见生成UserSig random 请输入随机的32位无符号整数,取值范围0-4294967295 contenttype 请求格式固定值为json 最高调用频率200次/秒。

  • [算法]“简简单单”的插入排序,你还没掌握吗?

    写在前边 大家好,我是melo,一名大二上软件工程在读生,经历了一年的摸滚,现在已经在工作室里边准备开发后台项目啦。 不过这篇文章呢,还是想跟大家聊一聊数据结构与算法,学校也是大二上才开设了数据结构这门课,希望可以一边学习数据结构一边积累后台项目开发经验。 前几篇,我们都是聊了聊数据结构,也该来聊点新花样了,接触一些更考验思维和逻辑的算法,现在这一阶段的算法了,我们主要先来谈论的都是排序算法,这节就从最“简单"的插入排序开始吧! 思路 插入排序(InsertionSorting)的基本思想是:把n个待排序的元素看成为一个有序表和一个无序表,开始时有序表中只包含一个元素,无序表中包含有n-1个元素,排序过程中每次从无序表中取出第一个元素,把它的排序码依次与有序表元素的排序码进行比较,将它插入到有序表中的适当位置,使之成为新的有序表。 总结就是:把前n-1个看成有序了,然后把第n个插入到前边中的适当位置即可,成为新的有序表 更具体详细的思路过程都嵌入在代码的注释里了喔! 注意 哨兵a0相比insertValue的作用 可以省去下边的j>0,因为哨兵就意味着,你走到哨兵那个位置了,

  • Java内存模型及Java关键字 volatile的作用和使用说明

    先来看看这个关键字是什么意思:volatile [ˈvɒlətaɪl]adj.易变的,不稳定的;从翻译上来看,volatile表示这个关键字是极易发生改变的。volatile是java语言中,最轻量级的并发同步机制。这个关键字有如下两个作用:1、任何对volatile变量的修改,java中的其他线程都可以感知到2、volatile会禁止指令冲排序优化  在详细讲解volatile关键字之前,需要对java的内存模型有所理解,否则很难深入的认识到volatile的作用。java内存可以像之前讲的那样,划分为堆、栈、方法区等等。但是从结合物理设备的角度来看,内存模型的布局设计如下:   之所以这样设计内存模型,是因为:相对于cpu的处理速度来说,物理内存的IO操作耗时非常严重。这就造成了cpu线程快速计算结束后,需要浪费大量的时间来等待内存IO的操作。为了减少这种等待,java内存模型引入了工作内存的概念。工作内存主要是利用cpu或内存的寄存器、高速缓存等部分进行数据缓冲,减少cpu线程在内存IO期间的等待。在java内存模型中,线程任何与数据有关的操作,都与并且只与工作内存相

  • React -- 入门挖坑

    一、创建项目 新建一个文件,然后创建一个index.html文件,唉,看了react的官网教程,才知道什么叫做操蛋,妈的,简直就是东拉西扯,东拼西凑啊,根本不知道他在扯什么犊子。 官网教程HelloWorld,跟着写,根本不知道写出个什么玩意儿,只能找资料看 引入 创建完成之后,就需要在html文件里面引入react.js文件,练习就用development,生成就用production CDN链接 //react核心 <scriptsrc="https://unpkg.com/react@16/umd/react.development.js"crossorigin></script> //react的DOM操作 <scriptsrc="https://unpkg.com/react-dom@16/umd/react-dom.development.js"crossorigin></script> 复制 关键 关键 关键 在完成上面的操作后,还需要引入一个babel.js文件,这个文件用来解析jsx语法的,没有这个玩意儿,啥也弄不了,而

  • 国际化地区语言码对照表(i18n)

    af公用荷兰语 af-ZA公用荷兰语-南非 sq阿尔巴尼亚 sq-AL阿尔巴尼亚-阿尔巴尼亚 ar阿拉伯语 ar-DZ阿拉伯语-阿尔及利亚 ar-BH阿拉伯语-巴林 ar-EG阿拉伯语-埃及 ar-IQ阿拉伯语-伊拉克 ar-JO阿拉伯语-约旦 ar-KW阿拉伯语-科威特 ar-LB阿拉伯语-黎巴嫩 ar-LY阿拉伯语-利比亚 ar-MA阿拉伯语-摩洛哥 ar-OM阿拉伯语-阿曼 ar-QA阿拉伯语-卡塔尔 ar-SA阿拉伯语-沙特阿拉伯 ar-SY阿拉伯语-叙利亚共和国 ar-TN阿拉伯语-北非的共和国 ar-AE阿拉伯语-阿拉伯联合酋长国 ar-YE阿拉伯语-也门 hy亚美尼亚 hy-AM亚美尼亚的-亚美尼亚 azAzeri az-AZ-CyrlAzeri-(西里尔字母的)阿塞拜疆 az-AZ-LatnAzeri(拉丁文)-阿塞拜疆 eu巴斯克 eu-ES巴斯克-巴斯克 beBelarusian be-BYBelarusian-白俄罗斯 bg保加利亚 bg-BG保加利亚-保加利亚 ca嘉泰罗尼亚 ca-ES嘉泰罗尼亚-嘉泰罗尼亚 zh-HK华-香港的SAR zh-MO华-澳门的SA

  • Apache和Nginx

    1、区别 二者最核心的区别在于apache是同步多进程模型,一个连接对应一个进程;nginx是异步的,多个连接(万级别)可以对应一个进程 nginx处理动态请求是鸡肋,一般动态请求要apache去做,nginx只适合静态和反向。 Nginx对于高并发性能出众,Proxy功能强效率高,占用系统资源少,而Apache在高并发时对队列的处理比FastCGI(Nginx需要通过fastcgi等方式运行php)更好,并且在处理动态php页面时,mod_php也比php-cgi更稳定更高效。由Nginx来接收客户端的请求,如果是动态页面请求,就交给Apache处理,然后经由Nginx再返回给客户端,其余的请求,则由Nginx自己处理,然后把结果返回给客户端 2、Nginx复习 正向代理的用途 突破访问控制 提高访问速度 隐藏客户端真实IP 反向代理 隐藏服务器真实IP 负载均衡 提高访问速度 https://juejin.im/post/6844903782556368910

  • 通过ssh连接github

    1.检查是否已经存在ssh key $cd~/.ssh复制 $ls复制 如果该目录下存在id_rsa/id_rsa.pub/known_hosts这三个文件,则已经存在sshkey直接跳转到第3步   2.生成sshkey $cd~ $sshssh-keygen-trsa-C"xxx@xx.com" 复制 后面3个输入不填,直接回车即可   $cd.ssh $ls 复制 可以看到目录下有id_rsa(私钥)/id_rsa.pub(公钥)/known_hosts这三个文件,即生成sshkey成功   3.将key上传到github 打开https://github.com/settings/ssh 点击按钮newSSHkey title部分自己随便取名,将id_rsa.pub(公钥)的全部内容粘贴到key部分即可   4.配置账户 $gitconfig--globaluser.name“your_username”#设置用户名 $gitconfig--globaluser.email“your_registered_gith

  • ESLint 的正式使用感受

      介绍ESLint ESLint是一个代码规范和错误检查工具,有以下几个特性 所有东西都是可以插拔的。你可以调用任意的ruleapi或者formatterapi去打包或者定义ruleorformatter。 任意的rule都是独立的 没有特定的codingstyle,你可以自己配置   安装 全局安装,适合你全部项目都需要eslint $ npm install -g eslint 接下去安装配置文件 $ eslint --init 这个步骤会让你选择自己的风格 1、向你询问你的style 2、使用一些流行的style 3、通过你的文件来配置   基础配置 详细的配置查看http://eslint.org/docs/user-guide/configuring module.exports={   "env":{     "browser":true,  

  • 通过API获取Azure KeyVault Securet

    在之前的文章中介绍了如何获取Azure的AccessToken。本文将介绍,如何用获取的AccessToken访问Azure的KeyVault的Secret。 一创建ServicePrincipal 通过AzureCLI创建全局Reader的用户,其中secret是创建SP时反显的PASSWORD,这个值只出现一次,创建完成后就不可见了: name="whuser01" sub_id=$(azaccountlist--query"[?isDefault]"|jq-r.[].id) azadspcreate-for-rbac-n$name--rolereader--scopes/subscriptions/$sub_id client_id=$(azadsplist--display-name$name|jq-r.[].appId) tenant_id=$(azadsplist--display-name$name|jq-r.[].appOwnerOrganizationId) obj_id=$(azadsplist--display-name$name|jq-r.[].id)

  • js加载顺序

    http://blog.csdn.net/zhengshuoa/article/details/52168538(很好) http://www.jb51.net/article/45374.htm

  • 如何解决:EXCEL在任务栏有显示能预览,但无法在桌面显示

    昨晚excel正常使用,今天早上发现excel突然打不开了,这种打不开是,每次只能在任务栏显示,并且能预览打开的excel文件,但就是没法在桌面最大化显示。 经过管理员模式打开+反复重启后仍无果 最后在度娘上偶遇好心人的方法,可行: 解决方案:不管是注册表也好,系统内文件设置也好都无法修复,并且查看相关任务进程没有病毒和异常。 根据我的经验以及电脑出问题前的操作分析,我电脑近期接过投影和外接显示设备进行过答相关设置,在“屏幕分辨率”内进行“显示器、多版显示器”项设置调整,并且在“连接投影”设置内调整显示模式到“复制”,这样显示不了的窗口就出现了,问题全解决,希望能帮到有需要的。 本着互联网精神,引用在这里,希望能扩大传播量,帮助到有需要的盆友。 作者:明河在天 出处:http://www.cnblogs.com/mhzt/ 本文版权归作者和博客园共有,欢迎转载,但必须给出原文链接,并保留此段声明,否则保留追究法律责任的权利。

相关推荐

推荐阅读