### 项目地址及配置指南

我们使用合成数据和经过筛选的公开数据来训练我们的模型。该模型已在 10 亿张图像上进行了预训练。微调数据包括 3000 万张专注于特定视觉内容和风格的高质量美学图像，以及 300 万张偏好数据图像。


![image.png](/static/img/f52a802477b72b4234fa236e9794f954.image.webp)

项目地址：[Stable Diffusion 3 Medium](https://huggingface.co/stabilityai/stable-diffusion-3-medium)

为了顺利拉取项目资源，您需要科学上网，并获取 Hugging Face Token。下面是获取 Token 的步骤。

### 如何获取 Hugging Face Token

1. 前往 [Hugging Face 官方教程](https://huggingface.co/docs/hub/security-tokens)，了解 Token 相关信息。
2. 访问 [Hugging Face Token 管理页面](https://huggingface.co/settings/tokens)，并确保您已注册或登录账号。
3. 在 Token 页面点击“新增 Token”，并确保赋予仓库访问权限。参考下图：

![Token 设置示例](/static/img/9be2f2d779f912a78edffd37f5e6721d.image.webp)

4. 成功生成的 Token 格式类似如下：

```
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
```

复制并保存该 Token。





### 环境配置



接下来，使用 Conda 创建一个 Python 3.10 及以上版本的虚拟环境。


```bash
conda create -n py310bizhi python=3.10 -y

conda activate py310bizhi

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y

pip install torchao --extra-index-url https://download.pytorch.org/whl/cu121 # full options are cpu/cu118/cu121/cu124

pip install git+https://github.com/xhinker/sd_embed.git@main

```



并安装以下依赖包：


```bash
pip install git+https://github.com/huggingface/diffusers.git

pip install -U transformers accelerate sentencepiece peft
```

### 运行代码

完成环境配置后，下载并执行以下链接中的 `app.py` 文件。该代码会自动拉取项目仓库内容，并生成一个基于 Gradio 的前端页面：

[下载 app.py](https://huggingface.co/spaces/ameerazam08/SD-3-Medium-GPU/resolve/main/app.py)

需要修改app.py里面的Token变量。

也就是这个：
https://huggingface.co/spaces/ameerazam08/SD-3-Medium-GPU/blob/main/app.py




### 下载仓库代码解读

代码是：

```python
import os
import random
import uuid

import gradio as gr
import numpy as np
from PIL import Image
import spaces
import torch
from diffusers import StableDiffusion3Pipeline, DPMSolverMultistepScheduler, AutoencoderKL
from huggingface_hub import snapshot_download

huggingface_token = os.getenv("HF_TOKEN")

model_path = snapshot_download(
    repo_id="stabilityai/stable-diffusion-3-medium", 
    # revision="refs/pr/26", # 这个删除就可以下载最新代码
    repo_type="model", 
    ignore_patterns=["*.md", "*..gitattributes"],
    local_dir="stable-diffusion-3-medium",
    token=huggingface_token,
    )
```

这段代码主要用于从 Hugging Face Hub 下载特定的模型仓库（repository）到本地。下面逐步解释代码的功能及其具体操作：

1. **导入必要的库和模块**：
2. 
    - **os**：用于与操作系统进行交互，如获取环境变量。
    - **random** 和 **uuid**：用于生成随机数和唯一标识符，可能在后续代码中用于生成随机输入或标识。
    - **gradio**：用于构建用户界面，可能用于展示生成的图像或接受用户输入。
    - **numpy** 和 **PIL**：用于处理图像数据。
    - **spaces** 和 **torch**：与 Hugging Face 的 Spaces 和 PyTorch 相关，用于深度学习模型的加载和运行。
    - **diffusers** 模块中的类：用于处理和运行稳定扩散模型（Stable Diffusion）。
    - **huggingface_hub.snapshot_download**：用于从 Hugging Face Hub 下载模型的快照。

2. **获取 Hugging Face 的访问令牌**：
    ```python
    huggingface_token = os.getenv("HF_TOKEN")
    ```
    这里通过环境变量 `HF_TOKEN` 获取 Hugging Face 的访问令牌，用于身份验证和授权访问私有模型或需要权限的资源。

3. **下载模型仓库的快照**：
    ```python
    model_path = snapshot_download(
        repo_id="stabilityai/stable-diffusion-3-medium", 
        revision="refs/pr/26",
        repo_type="model", 
        ignore_patterns=["*.md", "*..gitattributes"],
        local_dir="stable-diffusion-3-medium",
        token=huggingface_token,
    )
    ```
    - **repo_id**：指定要下载的仓库名称，这里是 `"stabilityai/stable-diffusion-3-medium"`，即稳定扩散 3 中等版本的模型。
    - **revision**：指定要下载的特定版本或分支，这里是 `"refs/pr/26"`，通常表示一个 Pull Request 的第 26 号。
    - **repo_type**：指定仓库类型，这里是 `"model"`，表示这是一个模型仓库。
    - **ignore_patterns**：指定要忽略的文件模式，这里忽略了所有 `.md` 文件和 `.gitattributes` 文件，避免下载不必要的文档或配置文件。
    - **local_dir**：指定本地保存目录，这里设置为 `"stable-diffusion-3-medium"`，即当前工作目录下的一个名为 `stable-diffusion-3-medium` 的文件夹。
    - **token**：使用前面获取的 Hugging Face 访问令牌进行身份验证。

    **功能说明**：
    - `snapshot_download` 函数会从 Hugging Face Hub 下载指定仓库的快照（即特定版本的文件集合）。
    - 由于指定了 `ignore_patterns`，并不会下载整个仓库，而是排除了匹配这些模式的文件。
    - 下载的内容会保存在当前工作目录下的 `stable-diffusion-3-medium` 文件夹中。如果该文件夹不存在，函数会自动创建。

4. **总结**：
    - **是否下载完整的仓库**：不完全是。代码通过 `ignore_patterns` 参数排除了部分文件（如 `.md` 和 `.gitattributes` 文件），因此下载的内容是仓库的一个子集，主要是模型相关的文件，而非整个仓库的所有内容。
    - **下载位置**：下载的文件会保存在当前工作目录下名为 `stable-diffusion-3-medium` 的文件夹中。你可以在运行脚本的目录中找到这个文件夹，里面包含了下载的模型文件和相关资源。

如果你希望查看下载的具体内容，可以进入 `stable-diffusion-3-medium` 文件夹，查看其中的文件和子目录。此外，如果需要下载整个仓库而不忽略任何文件，可以移除或调整 `ignore_patterns` 参数。

### 最新仓库

删除代码里这一行，从而下载到最新的仓库文件：revision="refs/pr/26"

修改后就可以下载最新的模型：_medium_incl_clips_t5xxlfp16.safetensors


### 推理教程

https://huggingface.co/docs/diffusers/main/en/api/pipelines/stable_diffusion/stable_diffusion_3

### 推理代码

介绍：

1. sd3_medium.safetensors 包括 MMDiT 和 VAE 权重，但不包括任何文本编码器。
2. sd3_medium_incl_clips_t5xxlfp16.safetensors包含所有必要的权重，包括 T5XXL 文本编码器的 fp16 版本。
3. sd3_medium_incl_clips_t5xxlfp8.safetensors包含所有必要的权重，包括 T5XXL 文本编码器的 fp8 版本，在质量和资源要求之间提供平衡。
4. sd3_medium_incl_clips.safetensors包括除 T5XXL 文本编码器之外的所有必要权重。它需要的资源很少，但如果没有 T5XXL 文本编码器，模型的性能会有所不同。
5. 该text_encoders文件夹包含三个文本编码器及其原始模型卡链接，以方便用户使用。text_encoders 文件夹中的所有组件（以及嵌入在其他包中的等效组件）均受其各自的原始许可证约束。
6. 该example_workfows文件夹包含舒适的工作流程示例。


登录，输入指令后给Token：

```bash
huggingface-cli login
```

然后执行推理代码：

sd3_medium_incl_clips_t5xxlfp16.safetensors推理代码：


```python
import torch
from diffusers import StableDiffusion3Pipeline

# 从单一文件加载模型，并启用 T5XXL 文本编码器 (fp16 版本)
pipe = StableDiffusion3Pipeline.from_single_file(
    "/ssd/xiedong/SD-3-Medium-GPU/stable-diffusion-3-medium/sd3_medium_incl_clips_t5xxlfp16.safetensors",
    torch_dtype=torch.float16,
)

# 启用 CPU 模型卸载以节省显存资源
pipe.enable_model_cpu_offload()

# 将模型移动到 GPU
pipe.to("cuda")

# 设置生成图片的提示词 (prompt)
prompt = "a picture of a cat holding a sign that says hello world"

# 执行推理并生成图像
image = pipe(
    prompt=prompt,
    num_inference_steps=28,  # 设置推理步数
    height=1024,             # 设置图像高度
    width=1024,              # 设置图像宽度
    guidance_scale=7.0,      # 设置引导比例
).images[0]

# 保存生成的图像
image.save('sd3_t5_fp16_output.png')

```

这样就可以得到一只肥猫：


![sd3_t5_fp16_output.png](/static/img/edcc36d4c6fcc59eecd2d1f26ca581ce.sd3_t5_fp16_output.webp)



### 最佳实践

在提示词的使用上，SD3 引入了显著的变化，现在用户可以输入长达 10,000 个字符的提示词。这一突破极大地拓展了我们与模型互动的空间，克服了以往 CLIP 文本编码器仅支持 77 个令牌的限制。虽然提示词过长可能会让模型忽略部分内容，但这一功能却极大提升了模型在生成图像时对提示词的遵从度，帮助用户实现更加精细的控制。

然而，值得注意的是，SD3 在训练过程中并未使用负向提示词。因此，负向提示词在这个模型中可能不会如预期那样有效，甚至会带来噪音或不必要的输出变化。这意味着，我们需要重新审视提示词的使用策略。

对于撰写提示词，建议大家使用清晰、详细的描述性语句，而不是简单的关键词堆叠。这将有助于模型更好地理解我们的意图，从而生成更符合预期的图像。


### 占用显存

删除这句后pipe.enable_model_cpu_offload()，占用显存17G左右。

![image.png](/static/img/a70c7f28f8ba76ca6fa9ed0684e7e95c.image.webp)



### 多进程生图

将文本'res_answer.txt'里每一行都用来生图，3个进程，一个显卡里一个进程：


```python
import torch
from diffusers import StableDiffusion3Pipeline
import multiprocessing
import os


# 从文件中读取所有提示词
def read_prompts(file_path):
    with open(file_path, 'r') as file:
        prompts = file.readlines()
    return [prompt.strip() for prompt in prompts]


# 每个进程的工作函数
def generate_images(gpu_id, prompts, start_idx):
    # 加载模型
    pipe = StableDiffusion3Pipeline.from_single_file(
        "/ssd/xiedong/SD-3-Medium-GPU/stable-diffusion-3-medium/sd3_medium_incl_clips_t5xxlfp16.safetensors",
        torch_dtype=torch.float16,
    )

    # 将模型移动到对应的 GPU
    pipe.to(f"cuda:{gpu_id}")

    # 生成图像
    for i, prompt in enumerate(prompts):
        image = pipe(
            prompt=prompt,
            num_inference_steps=28,
            height=1024,
            width=1024,
            guidance_scale=7.0,
        ).images[0]

        # 保存图像，文件名从 start_idx 开始递增
        image_path = f"img_sd3/{start_idx + i:04d}.png"
        image.save(image_path)
        print(f"GPU {gpu_id}: Saved image {image_path}")


if __name__ == "__main__":
    # 提示词文件路径
    prompt_file = 'res_answer.txt'
    prompts = read_prompts(prompt_file)

    # 将提示词分成三份，分别由三个进程处理
    num_gpus = 3
    prompts_split = [prompts[i::num_gpus] for i in range(num_gpus)]

    # 创建多个进程
    processes = []
    for gpu_id in range(num_gpus):
        start_idx = gpu_id * len(prompts_split[gpu_id])
        p = multiprocessing.Process(target=generate_images, args=(gpu_id, prompts_split[gpu_id], start_idx))
        processes.append(p)
        p.start()

    # 等待所有进程完成
    for p in processes:
        p.join()

```

### 更高级的生图代码-突破77 tokens 限制

需要这个库，克服77个tokens限制：

https://github.com/xhinker/sd_embed?tab=readme-ov-file#stable-diffusion-3

安装sd_embed：


```bash
pip install torchao --extra-index-url https://download.pytorch.org/whl/cu121 # full options are cpu/cu118/cu121/cu124

pip install git+https://github.com/xhinker/sd_embed.git@main
```

就可以跑生图：


```bash
import gc
import torch
from diffusers import StableDiffusion3Pipeline
from sd_embed.embedding_funcs import get_weighted_text_embeddings_sd3

# 加载模型
pipeline = StableDiffusion3Pipeline.from_single_file(
    "/ssd/xiedong/SD-3-Medium-GPU/stable-diffusion-3-medium/sd3_medium_incl_clips_t5xxlfp16.safetensors",
    torch_dtype=torch.float16,
)
# 将模型移动到对应的 GPU
pipeline.to('cuda:0')

prompt = """\
A cyberpunk cockpit of a futuristic aircraft, filled with glowing screens and intricate controls, surrounded by sleek metallic panels. The cabin is illuminated by a spectrum of neon colors, primarily vibrant blues and purples, creating a high-tech ambiance. Through the large, panoramic windows, a sprawling metropolis can be seen below, with bright neon lights and bustling streets, reflecting the essence of a thriving city at night. The cockpit is framed with high-definition digital readouts displaying flight data, while a pilot, clad in an illuminated visor and tactical gear, focuses intently on the controls. The scene is dynamic, with a sense of speed emphasized by streaks of light visible through the windows, captured in sharp detail using a super long lens.
"""

neg_prompt = """\
deformed, distorted, disfigured, poorly drawn, bad anatomy, wrong anatomy, extra limb, missing limb, floating limbs, mutated hands and fingers, disconnected limbs, mutation, mutated, ugly, disgusting, blurry, amputation, NSFW
"""

(
    prompt_embeds
    , prompt_neg_embeds
    , pooled_prompt_embeds
    , negative_pooled_prompt_embeds
) = get_weighted_text_embeddings_sd3(
    pipeline
    , prompt=prompt
    , neg_prompt=neg_prompt
)

image = pipeline(
    prompt_embeds=prompt_embeds
    , negative_prompt_embeds=prompt_neg_embeds
    , pooled_prompt_embeds=pooled_prompt_embeds
    , negative_pooled_prompt_embeds=negative_pooled_prompt_embeds
    , num_inference_steps=30
    , height=1024
    , width=1024 + 512
    , guidance_scale=4.0
    , generator=torch.Generator('cuda:0').manual_seed(2)
).images[0]

# 构建保存路径和文件名
image_filename = f"1.png"

# 保存图像
image.save(image_filename)

del prompt_embeds, prompt_neg_embeds, pooled_prompt_embeds, negative_pooled_prompt_embeds
gc.collect()
torch.cuda.empty_cache()

```

效果是ok的：


![1.png](/static/img/b25a5e03ec26913a608005a5ff2200cc.1.webp)


警告是正常的，不用理会：

Token indices sequence length is longer than the specified maximum sequence length for this model (107 > 77). Running this sequence through the model will result in indexing errors


![image.png](/static/img/f0cf1b3dd0a9ce6a4bc48dc4bc9d7412.image.webp)


数据为json格式：

![image.png](/static/img/42da6f9f439e22e11d7da95e1bae8964.image.webp)

多进程跑这些数据生图：


```bash
import torch
from diffusers import StableDiffusion3Pipeline
import multiprocessing
import os
import json
import gc
import torch
from diffusers import StableDiffusion3Pipeline
from sd_embed.embedding_funcs import get_weighted_text_embeddings_sd3


# 从JSON文件中读取所有response提示词
def read_prompts(file_path):
    with open(file_path, 'r') as file:
        data = json.load(file)
    # 提取所有状态为 "success" 的 response 字段
    return [entry['response'] for entry in data if entry['status'] == 'success']


# 创建保存图像的目录
def create_directory(directory_path):
    if not os.path.exists(directory_path):
        os.makedirs(directory_path)


# 保存提示词到文本文件
def save_prompt_to_txt(file_path, prompt):
    with open(file_path, 'w') as file:
        file.write(prompt)


# 每个进程的工作函数
def generate_images(gpu_id, prompts, start_idx):
    # 加载模型
    pipeline = StableDiffusion3Pipeline.from_single_file(
        "/ssd/xiedong/SD-3-Medium-GPU/stable-diffusion-3-medium/sd3_medium_incl_clips_t5xxlfp16.safetensors",
        torch_dtype=torch.float16,
    )
    # 将模型移动到对应的 GPU
    pipeline.to(gpu_id)

    # 生成图像
    for i, prompt in enumerate(prompts):

        neg_prompt = """\
        deformed, distorted, disfigured, poorly drawn, bad anatomy, wrong anatomy, extra limb, missing limb, floating limbs, mutated hands and fingers, disconnected limbs, mutation, mutated, ugly, disgusting, blurry, amputation, NSFW
        """

        (
            prompt_embeds
            , prompt_neg_embeds
            , pooled_prompt_embeds
            , negative_pooled_prompt_embeds
        ) = get_weighted_text_embeddings_sd3(
            pipeline
            , prompt=prompt
            , neg_prompt=neg_prompt
        )

        image = pipeline(
            prompt_embeds=prompt_embeds
            , negative_prompt_embeds=prompt_neg_embeds
            , pooled_prompt_embeds=pooled_prompt_embeds
            , negative_pooled_prompt_embeds=negative_pooled_prompt_embeds
            , num_inference_steps=30
            , height=1024
            , width=1024 + 512
            , guidance_scale=4.0
            , generator=torch.Generator(gpu_id).manual_seed(2)
        ).images[0]

        # 构建保存路径和文件名
        image_filename = f"img_sd3/{start_idx + i:04d}.png"
        txt_filename = f"img_sd3/{start_idx + i:04d}.txt"

        # 保存图像
        image.save(image_filename)

        # 保存提示词到文本文件
        save_prompt_to_txt(txt_filename, prompt)

        print(f"GPU {gpu_id}: Saved image {image_filename} and prompt text {txt_filename}")

        del prompt_embeds, prompt_neg_embeds, pooled_prompt_embeds, negative_pooled_prompt_embeds
        gc.collect()
        torch.cuda.empty_cache()


if __name__ == "__main__":
    multiprocessing.set_start_method('spawn')

    # JSON文件路径
    json_file = 'res_answer.json'
    prompts = read_prompts(json_file)

    # 创建保存图像和文本文件的目录
    output_dir = 'img_sd3'
    create_directory(output_dir)

    # 定义任务列表，指定每个进程要使用的GPU
    tasks = ["cuda:0", "cuda:1", "cuda:2"]  # 可以根据需求修改此列表来控制进程和GPU的分配

    # 将提示词分成与tasks长度相等的份数
    num_tasks = len(tasks)
    prompts_split = [prompts[i::num_tasks] for i in range(num_tasks)]

    # 创建多个进程
    processes = []
    for idx, gpu_id in enumerate(tasks):
        start_idx = idx * len(prompts_split[idx])
        p = multiprocessing.Process(target=generate_images, args=(gpu_id, prompts_split[idx], start_idx))
        processes.append(p)
        p.start()

    # 等待所有进程完成
    for p in processes:
        p.join()

```

stable-diffusion-3-medium部署体验实战教学

fooocus-api，得到一些训练图片的过程

## 弹簧器与阻尼器


![image.png](/static/img/921b0cfc0ad4a908d377b685a928727e.image.webp)






![image.png](/static/img/a8fd4f795eb3076bc882a9c547a279cd.image.webp)


![image.png](/static/img/cdc209d1a0aa967375fb9710b62f31e9.image.webp)

## 并联和串联


![image.png](/static/img/db6d41598e007f02df3c42ba38d5a40a.image.webp)


![image.png](/static/img/ecdb921342f51c50c1f199856ab3f0dd.image.webp)


![image.png](/static/img/8b90da26acbdb5304f288ff03f52e630.image.webp)


并联结构的系统方程包含质量、阻尼、刚度项，适用于描述自由振动和强阻尼系统，振动衰减较快。

串联结构的系统方程主要依赖位移和速度，通常用于柔性或低频振动系统，振动衰减较慢。

## 题目1



![image.png](/static/img/b277b208393f57ef6f2ab141b6405c8b.image.webp)


**解答：**

我们需要求解机械系统的传递函数 $G(s) = \dfrac{X_o(s)}{X_i(s)}$。为此，按照以下步骤进行分析。

### 1. 引入辅助点并建立力平衡方程

在阻尼器 $f_1$ 和弹簧 $K_1$ 之间引入一个辅助点，设其位移为 $x$，方向向下。系统的结构如下：

- **点 1**：位移为 $x_i$
- 阻尼器 $f_2$ 和弹簧 $K_2$ 并联，连接点 1 和点 2
- **点 2**：位移为 $x_o$
- 阻尼器 $f_1$，连接点 2 和辅助点
- 弹簧 $K_1$，连接辅助点和地面

### 2. 建立力平衡方程

对于点 2，根据力平衡，可得：

1. **从点 1 到点 2 的力：**

   - 弹簧 $K_2$ 的力：$K_2(x_i - x_o)$
   - 阻尼器 $f_2$ 的力：$f_2 \dot{(x_i - x_o)}$

2. **从点 2 到辅助点的力：**

   - 阻尼器 $f_1$ 的力：$f_1 \dot{(x_o - x)}$

因此，点 2 的力平衡方程为：

$$
K_2(x_i - x_o) + f_2 \dot{(x_i - x_o)} = f_1 \dot{(x_o - x)}
$$

对于辅助点，根据力平衡，可得：

- 弹簧 $K_1$ 的力：$K_1 x$
- 阻尼器 $f_1$ 的力：$f_1 \dot{(x_o - x)}$

由于弹簧 $K_1$ 和阻尼器 $f_1$ 连接在一起，力相等，因此有：

$$
K_1 x = f_1 \dot{(x_o - x)}
$$

### 3. 对方程进行拉普拉斯变换

假设初始条件为零，对上述两个方程进行拉普拉斯变换：

1. 对第一个方程：

$$
K_2 [X_i(s) - X_o(s)] + f_2 s [X_i(s) - X_o(s)] = f_1 s [X_o(s) - X(s)]
$$

2. 对第二个方程：

$$
K_1 X(s) = f_1 s [X_o(s) - X(s)]
$$

### 4. 解出 $X(s)$ 与 $X_o(s)$ 的关系

从第二个方程解出 $X(s)$：

$$
\begin{aligned}
K_1 X(s) &= f_1 s [X_o(s) - X(s)] \\
K_1 X(s) + f_1 s X(s) &= f_1 s X_o(s) \\
X(s) [K_1 + f_1 s] &= f_1 s X_o(s) \\
X(s) &= \frac{f_1 s}{K_1 + f_1 s} X_o(s)
\end{aligned}
$$

### 5. 消除 $X(s)$，建立 $X_i(s)$ 和 $X_o(s)$ 的关系

将 $X(s)$ 代入第一个方程：

$$
K_2 [X_i(s) - X_o(s)] + f_2 s [X_i(s) - X_o(s)] = f_1 s \left[ X_o(s) - \frac{f_1 s}{K_1 + f_1 s} X_o(s) \right]
$$

简化右侧：

$$
\begin{aligned}
f_1 s \left[ X_o(s) - \frac{f_1 s}{K_1 + f_1 s} X_o(s) \right] &= f_1 s X_o(s) \left[ 1 - \frac{f_1 s}{K_1 + f_1 s} \right] \\
&= f_1 s X_o(s) \left( \frac{K_1}{K_1 + f_1 s} \right) \\
&= \frac{K_1 f_1 s}{K_1 + f_1 s} X_o(s)
\end{aligned}
$$

因此，方程变为：

$$
\left( K_2 + f_2 s \right) [X_i(s) - X_o(s)] = \frac{K_1 f_1 s}{K_1 + f_1 s} X_o(s)
$$

整理得：

$$
\left( K_2 + f_2 s \right) X_i(s) = \left( K_2 + f_2 s + \frac{K_1 f_1 s}{K_1 + f_1 s} \right) X_o(s)
$$

### 6. 求解传递函数 $G(s)$

传递函数为：

$$
G(s) = \frac{X_o(s)}{X_i(s)} = \frac{K_2 + f_2 s}{K_2 + f_2 s + \dfrac{K_1 f_1 s}{K_1 + f_1 s}}
$$

### 7. 化简传递函数

首先，将分母中的分式合并：

$$
\begin{aligned}
\text{分母} &= K_2 + f_2 s + \frac{K_1 f_1 s}{K_1 + f_1 s} \\
&= \frac{(K_2 + f_2 s)(K_1 + f_1 s) + K_1 f_1 s}{K_1 + f_1 s} \\
&= \frac{K_2 K_1 + K_2 f_1 s + f_2 s K_1 + f_2 f_1 s^2 + K_1 f_1 s}{K_1 + f_1 s}
\end{aligned}
$$

将分子也乘以 $K_1 + f_1 s$：

$$
\text{分子} = (K_2 + f_2 s)(K_1 + f_1 s)
$$

因此，传递函数变为：

$$
G(s) = \frac{(K_2 + f_2 s)(K_1 + f_1 s)}{(K_2 + f_2 s)(K_1 + f_1 s) + K_1 f_1 s}
$$

### 8. 展开并整理

展开分子：

$$
\text{分子} = K_2 K_1 + K_2 f_1 s + f_2 s K_1 + f_2 f_1 s^2
$$

展开分母：

$$
\begin{aligned}
\text{分母} &= K_2 K_1 + K_2 f_1 s + f_2 s K_1 + f_2 f_1 s^2 + K_1 f_1 s \\
&= K_2 K_1 + (K_2 f_1 + f_2 K_1 + K_1 f_1) s + f_2 f_1 s^2
\end{aligned}
$$

### 9. 写成标准形式

将分子和分母写成关于 $s$ 的多项式：

$$
\begin{aligned}
\text{分子} &= f_1 f_2 s^2 + (K_1 f_2 + K_2 f_1) s + K_1 K_2 \\
\text{分母} &= f_1 f_2 s^2 + (K_1 f_2 + K_2 f_1 + K_1 f_1) s + K_1 K_2
\end{aligned}
$$

### 10. 归一化处理

为了进一步简化，我们将分子和分母同时除以 $K_1 K_2$：

$$
G(s) = \frac{\dfrac{f_1 f_2}{K_1 K_2} s^2 + \left( \dfrac{f_1}{K_1} + \dfrac{f_2}{K_2} \right) s + 1}{\dfrac{f_1 f_2}{K_1 K_2} s^2 + \left( \dfrac{f_1}{K_1} + \dfrac{f_2}{K_2} + \dfrac{f_1}{K_2} \right) s + 1}
$$

### 11. 最终的传递函数

得到机械系统的传递函数：

$$
G(s) = \frac{\dfrac{f_1 f_2}{K_1 K_2} s^2 + \left( \dfrac{f_1}{K_1} + \dfrac{f

_2}{K_2} \right) s + 1}{\dfrac{f_1 f_2}{K_1 K_2} s^2 + \left( \dfrac{f_1}{K_1} + \dfrac{f_2}{K_2} + \dfrac{f_1}{K_2} \right) s + 1}
$$

### 总结

通过引入辅助点并建立力平衡方程，利用拉普拉斯变换，将位移 $X(s)$ 表示为 $X_o(s)$ 的函数，进而消除 $X(s)$，建立了 $X_i(s)$ 和 $X_o(s)$ 之间的关系。经过代数化简，得到了机械系统的传递函数 $G(s)$。

## 题目1的问题

**解答：**

您的问题主要是关于如何确定力的方向，以及为什么力的表达式是那样的。让我一步步解释。

### 1. 力的方向如何确定？

在机械系统中，力的方向取决于元件的特性和位移（或速度）的方向。一般来说：

- **弹簧力**：弹簧力的方向总是试图恢复弹簧的原始长度，即阻止弹簧被拉伸或压缩。它的大小为 $F = K \Delta x$，方向与位移的增量 $\Delta x$ 相反。

- **阻尼器力**：阻尼器的力与两端相对速度成正比，大小为 $F = f \Delta \dot{x}$，方向与相对速度 $\Delta \dot{x}$ 相反。

### 2. 为什么弹簧 $K_2$ 的力是 $K_2(x_i - x_o)$？

- **位移定义**：设定向下为正方向。$x_i$ 是点 1 的位移，$x_o$ 是点 2 的位移。

- **弹簧的伸缩量**：弹簧 $K_2$ 的伸缩量为 $\Delta x = x_o - x_i$。因为一端在点 1（位移 $x_i$），另一端在点 2（位移 $x_o$）。

- **弹簧力的计算**：弹簧力为 $F = K_2 \Delta x = K_2(x_o - x_i)$。但是，由于力的方向与伸缩量相反，所以作用在点 2 上的弹簧力为：

$$
F_{K_2} = -K_2(x_o - x_i) = K_2(x_i - x_o)
$$

这里，负号表示力的方向与 $x_o - x_i$ 相反。

### 3. 为什么阻尼器 $f_2$ 的力是 $f_2 \dot{(x_i - x_o)}$？

- **相对速度**：阻尼器 $f_2$ 的两端位移为 $x_i$ 和 $x_o$，因此相对速度为 $\Delta \dot{x} = \dot{x}_o - \dot{x}_i$。

- **阻尼力的计算**：阻尼力为 $F = f_2 \Delta \dot{x} = f_2(\dot{x}_o - \dot{x}_i)$。同样，力的方向与相对速度相反，所以作用在点 2 上的阻尼力为：

$$
F_{f_2} = -f_2(\dot{x}_o - \dot{x}_i) = f_2(\dot{x}_i - \dot{x}_o)
$$

### 4. 为什么点 2 可以进行力平衡？

在力学中，如果我们考虑的是质量为零或忽略不计的节点（即点 2 没有质量或惯性），那么在该点上的所有力的和应该为零（静力平衡），或者等于质量乘以加速度（动力平衡）。在这个问题中，我们假设点 2 的质量可以忽略，因此可以进行力平衡。

### 5. 点 2 的力平衡方程如何建立？

**作用在点 2 上的力：**

- **来自弹簧 $K_2$ 的力**：$F_{K_2} = K_2(x_i - x_o)$

- **来自阻尼器 $f_2$ 的力**：$F_{f_2} = f_2(\dot{x}_i - \dot{x}_o)$

- **来自阻尼器 $f_1$ 的力**：阻尼器 $f_1$ 连接点 2 和辅助点（位移为 $x$），相对速度为 $\dot{x}_o - \dot{x}$。阻尼器的力为：

$$
F_{f_1} = f_1(\dot{x}_o - \dot{x})
$$

力的方向是与相对速度相反，但在这里，我们将力视为作用在点 2 上的力，所以直接使用这个表达式。

**力平衡方程：**

在点 2 上，所有作用在其上的力的代数和应为零：

$$
F_{K_2} + F_{f_2} - F_{f_1} = 0
$$

这里，$F_{f_1}$ 是作用在点 2 上，由于阻尼器 $f_1$ 连接点 2 和辅助点，力的方向与相对速度一致（因为阻尼力总是阻碍相对运动）。

因此，力平衡方程为：

$$
K_2(x_i - x_o) + f_2(\dot{x}_i - \dot{x}_o) = f_1(\dot{x}_o - \dot{x})
$$

### 6. 为什么力的方向如此选择？

- **弹簧力**：如果 $x_o > x_i$，即点 2 向下移动多于点 1，弹簧被拉伸，弹簧力试图将点 2 拉回，作用在点 2 上的力向上，为负方向，因此 $F_{K_2} = K_2(x_i - x_o)$。

- **阻尼力**：同理，若 $\dot{x}_o > \dot{x}_i$，即点 2 的速度大于点 1，阻尼器力试图阻碍这种相对运动，作用在点 2 上的力为向上，即 $F_{f_2} = f_2(\dot{x}_i - \dot{x}_o)$。

- **阻尼器 $f_1$ 的力**：阻尼器连接点 2 和辅助点，若 $\dot{x}_o > \dot{x}$，阻尼器力试图阻碍点 2 相对于辅助点的向下运动，作用在点 2 上的力为向上，所以力为 $F_{f_1} = f_1(\dot{x}_o - \dot{x})$。

### 7. 总结

因此，作用在点 2 上的力平衡方程就是将所有作用在点 2 上的力求和，并设其代数和为零：

$$
\text{作用在点 2 上的上行力（正）} = \text{作用在点 2 上的下行力（负）}
$$

也就是说：

$$
K_2(x_i - x_o) + f_2(\dot{x}_i - \dot{x}_o) = f_1(\dot{x}_o - \dot{x})
$$

### 8. 关于辅助点的力平衡

对于辅助点（位移为 $x$），同样进行力平衡：

- **来自阻尼器 $f_1$ 的力**：$F_{f_1} = f_1(\dot{x}_o - \dot{x})$，作用在辅助点上的力方向与相对速度相反。

- **来自弹簧 $K_1$ 的力**：$F_{K_1} = K_1 x$，弹簧连接辅助点和地面，假设地面位移为零。

力平衡方程为：

$$
f_1(\dot{x}_o - \dot{x}) = K_1 x
$$

### 9. 总体理解

- **点 2 的力平衡**：考虑所有连接到点 2 的元件（弹簧 $K_2$、阻尼器 $f_2$、阻尼器 $f_1$）产生的力。

- **力的方向**：根据元件的特性（弹簧力与位移差成正比，方向相反；阻尼力与速度差成正比，方向相反），确定作用在点 2 上的力。

- **力平衡方程**：将作用在点 2 上的所有力相加，设代数和为零，得到力平衡方程。

### 10. 进一步说明

- **为何不用考虑惯性力？** 在这个问题中，我们假设系统是准静态的，或者点 2 的质量可以忽略，所以不考虑惯性力。如果点 2 有质量，我们需要考虑 $m \ddot{x}_o$ 的影响。

- **为何不考虑其他力？** 因为系统中只存在弹簧和阻尼器，且假设没有外力直接作用在点 2 上，所以只需要考虑这些元件产生的力。

### 11. 最后的力平衡方程

综上所述，点 2 的力平衡方程为：

$$
K_2(x_i - x_o) + f_2(\dot{x}_i - \dot{x}_o) = f_1(\dot{x}_o - \dot{x})
$$

这个方程表达了作用在点 2 上的所有力的平衡关系。

**希望这能帮助您理解力的方向和力平衡方程的建立。**

弹簧器与阻尼器系统

## API仓库

https://github.com/mrhan1993/Fooocus-API

API文档：

https://github.com/mrhan1993/Fooocus-API/blob/8ba628d89fb68fd6daa2fd0f387e7f3c230c7bcf/docs/api_doc_zh.md





## 如何打包镜像

之前的镜像打包介绍：https://www.dong-blog.fun/post/548

## 开镜像服务

直接跑起来服务：


```bash
docker run --gpus device=0 -p 7881:7860 -d  kevinchina/deeplearning:fooocusapi-office-v3
```

## 请求API文生图

一个完整的请求：


```python
import json
import requests


class Config:
    """
    Configuration for local Fooocus API.
    """
    fooocus_host = 'http://101.136.22.140:7881'
    text2image = '/v1/generation/text-to-image'


def text2image(params: dict) -> dict:
    """
    Text to image function
    Args:
        params (dict): Dictionary with prompt and other parameters
    Returns:
        dict: Response from API
    """
    data = json.dumps(params)
    response = requests.post(
        url=f"{Config.fooocus_host}{Config.text2image}",
        data=data,
        headers={"Content-Type": "application/json"},
        timeout=300
    )
    return response.json()


# Corrected parameters
t2i_params = {
    "prompt": "a beautiful landscape with mountains and rivers",  # 描述词
    "negative_prompt": "",  # 反向描述词
    "style_selections": ["Fooocus V2", "Fooocus Enhance"],  # 风格列表 (可以通过样式接口获取)
    "performance_selection": "Speed",  # 性能选择: Speed, Quality, Extreme Speed, Lightning
    "aspect_ratios_selection": "1152*896",  # 分辨率选择
    "image_number": 1,  # 生成图片数量
    "image_seed": -1,  # 图片种子，整数 -1 表示随机生成
    "sharpness": 3.0,  # 锐度，范围 0-30
    # "sharpness": 10.0,  # 锐度，范围 0-30
    "guidance_scale": 5.0,  # 引导比例，范围 1-30
    # "guidance_scale": 13.0,  # 引导比例，范围 1-30
    "base_model_name": "juggernautXL_v8Rundiffusion.safetensors",  # 基础模型名称
    "refiner_model_name": "None",  # 优化模型名称，字符串形式 "None"
    "refiner_switch": 0.5,  # 优化模型切换时机，范围 0-1
    "loras": [
        {
            "enabled": True,
            "model_name": "sd_xl_offset_example-lora_1.0.safetensors",  # 使用的 Lora 模型名称
            "weight": 0.1  # Lora 模型的权重，可以根据需要调整
        }
    ],  # lora 模型列表，包含已启用的模型
    "advanced_params": {},  # 高级参数，可以为空
    "save_meta": True,  # 是否保存元数据
    "meta_scheme": "fooocus",  # 元数据方案
    "save_extension": "png",  # 保存文件扩展名
    "save_name": "",  # 保存文件名，可以为空字符串
    "read_wildcards_in_order": False,  # 是否按顺序读取通配符
    "require_base64": False,  # 是否返回 base64 编码
    "async_process": False,  # 是否异步处理
}

# Make the request
t2i_result = text2image(params=t2i_params)

# Print the result in a formatted JSON style
print(json.dumps(t2i_result, indent=2))

```

## 风格选择

风格选择：


```bash
[
  "Fooocus V2",
  "Random Style",
  "Fooocus Enhance",
  "Fooocus Semi Realistic",
  "Fooocus Sharp",
  "Fooocus Masterpiece",
  "Fooocus Photograph",
  "Fooocus Negative",
  "Fooocus Cinematic",
  "SAI 3D Model",
  "SAI Analog Film",
  "SAI Anime",
  "SAI Cinematic",
  "SAI Comic Book",
  "SAI Craft Clay",
  "SAI Digital Art",
  "SAI Enhance",
  "SAI Fantasy Art",
  "SAI Isometric",
  "SAI Line Art",
  "SAI Lowpoly",
  "SAI Neonpunk",
  "SAI Origami",
  "SAI Photographic",
  "SAI Pixel Art",
  "SAI Texture",
  "MRE Cinematic Dynamic",
  "MRE Spontaneous Picture",
  "MRE Artistic Vision",
  "MRE Dark Dream",
  "MRE Gloomy Art",
  "MRE Bad Dream",
  "MRE Underground",
  "MRE Surreal Painting",
  "MRE Dynamic Illustration",
  "MRE Undead Art",
  "MRE Elemental Art",
  "MRE Space Art",
  "MRE Ancient Illustration",
  "MRE Brave Art",
  "MRE Heroic Fantasy",
  "MRE Dark Cyberpunk",
  "MRE Lyrical Geometry",
  "MRE Sumi E Symbolic",
  "MRE Sumi E Detailed",
  "MRE Manga",
  "MRE Anime",
  "MRE Comic",
  "Ads Advertising",
  "Ads Automotive",
  "Ads Corporate",
  "Ads Fashion Editorial",
  "Ads Food Photography",
  "Ads Gourmet Food Photography",
  "Ads Luxury",
  "Ads Real Estate",
  "Ads Retail",
  "Artstyle Abstract",
  "Artstyle Abstract Expressionism",
  "Artstyle Art Deco",
  "Artstyle Art Nouveau",
  "Artstyle Constructivist",
  "Artstyle Cubist",
  "Artstyle Expressionist",
  "Artstyle Graffiti",
  "Artstyle Hyperrealism",
  "Artstyle Impressionist",
  "Artstyle Pointillism",
  "Artstyle Pop Art",
  "Artstyle Psychedelic",
  "Artstyle Renaissance",
  "Artstyle Steampunk",
  "Artstyle Surrealist",
  "Artstyle Typography",
  "Artstyle Watercolor",
  "Futuristic Biomechanical",
  "Futuristic Biomechanical Cyberpunk",
  "Futuristic Cybernetic",
  "Futuristic Cybernetic Robot",
  "Futuristic Cyberpunk Cityscape",
  "Futuristic Futuristic",
  "Futuristic Retro Cyberpunk",
  "Futuristic Retro Futurism",
  "Futuristic Sci Fi",
  "Futuristic Vaporwave",
  "Game Bubble Bobble",
  "Game Cyberpunk Game",
  "Game Fighting Game",
  "Game Gta",
  "Game Mario",
  "Game Minecraft",
  "Game Pokemon",
  "Game Retro Arcade",
  "Game Retro Game",
  "Game Rpg Fantasy Game",
  "Game Strategy Game",
  "Game Streetfighter",
  "Game Zelda",
  "Misc Architectural",
  "Misc Disco",
  "Misc Dreamscape",
  "Misc Dystopian",
  "Misc Fairy Tale",
  "Misc Gothic",
  "Misc Grunge",
  "Misc Horror",
  "Misc Kawaii",
  "Misc Lovecraftian",
  "Misc Macabre",
  "Misc Manga",
  "Misc Metropolis",
  "Misc Minimalist",
  "Misc Monochrome",
  "Misc Nautical",
  "Misc Space",
  "Misc Stained Glass",
  "Misc Techwear Fashion",
  "Misc Tribal",
  "Misc Zentangle",
  "Papercraft Collage",
  "Papercraft Flat Papercut",
  "Papercraft Kirigami",
  "Papercraft Paper Mache",
  "Papercraft Paper Quilling",
  "Papercraft Papercut Collage",
  "Papercraft Papercut Shadow Box",
  "Papercraft Stacked Papercut",
  "Papercraft Thick Layered Papercut",
  "Photo Alien",
  "Photo Film Noir",
  "Photo Glamour",
  "Photo Hdr",
  "Photo Iphone Photographic",
  "Photo Long Exposure",
  "Photo Neon Noir",
  "Photo Silhouette",
  "Photo Tilt Shift",
  "Cinematic Diva",
  "Abstract Expressionism",
  "Academia",
  "Action Figure",
  "Adorable 3D Character",
  "Adorable Kawaii",
  "Art Deco",
  "Art Nouveau",
  "Astral Aura",
  "Avant Garde",
  "Baroque",
  "Bauhaus Style Poster",
  "Blueprint Schematic Drawing",
  "Caricature",
  "Cel Shaded Art",
  "Character Design Sheet",
  "Classicism Art",
  "Color Field Painting",
  "Colored Pencil Art",
  "Conceptual Art",
  "Constructivism",
  "Cubism",
  "Dadaism",
  "Dark Fantasy",
  "Dark Moody Atmosphere",
  "Dmt Art Style",
  "Doodle Art",
  "Double Exposure",
  "Dripping Paint Splatter Art",
  "Expressionism",
  "Faded Polaroid Photo",
  "Fauvism",
  "Flat 2d Art",
  "Fortnite Art Style",
  "Futurism",
  "Glitchcore",
  "Glo Fi",
  "Googie Art Style",
  "Graffiti Art",
  "Harlem Renaissance Art",
  "High Fashion",
  "Idyllic",
  "Impressionism",
  "Infographic Drawing",
  "Ink Dripping Drawing",
  "Japanese Ink Drawing",
  "Knolling Photography",
  "Light Cheery Atmosphere",
  "Logo Design",
  "Luxurious Elegance",
  "Macro Photography",
  "Mandola Art",
  "Marker Drawing",
  "Medievalism",
  "Minimalism",
  "Neo Baroque",
  "Neo Byzantine",
  "Neo Futurism",
  "Neo Impressionism",
  "Neo Rococo",
  "Neoclassicism",
  "Op Art",
  "Ornate And Intricate",
  "Pencil Sketch Drawing",
  "Pop Art 2",
  "Rococo",
  "Silhouette Art",
  "Simple Vector Art",
  "Sketchup",
  "Steampunk 2",
  "Surrealism",
  "Suprematism",
  "Terragen",
  "Tranquil Relaxing Atmosphere",
  "Sticker Designs",
  "Vibrant Rim Light",
  "Volumetric Lighting",
  "Watercolor 2",
  "Whimsical And Playful",
  "Mk Chromolithography",
  "Mk Cross Processing Print",
  "Mk Dufaycolor Photograph",
  "Mk Herbarium",
  "Mk Punk Collage",
  "Mk Mosaic",
  "Mk Van Gogh",
  "Mk Coloring Book",
  "Mk Singer Sargent",
  "Mk Pollock",
  "Mk Basquiat",
  "Mk Andy Warhol",
  "Mk Halftone Print",
  "Mk Gond Painting",
  "Mk Albumen Print",
  "Mk Aquatint Print",
  "Mk Anthotype Print",
  "Mk Inuit Carving",
  "Mk Bromoil Print",
  "Mk Calotype Print",
  "Mk Color Sketchnote",
  "Mk Cibulak Porcelain",
  "Mk Alcohol Ink Art",
  "Mk One Line Art",
  "Mk Blacklight Paint",
  "Mk Carnival Glass",
  "Mk Cyanotype Print",
  "Mk Cross Stitching",
  "Mk Encaustic Paint",
  "Mk Embroidery",
  "Mk Gyotaku",
  "Mk Luminogram",
  "Mk Lite Brite Art",
  "Mk Mokume Gane",
  "Pebble Art",
  "Mk Palekh",
  "Mk Suminagashi",
  "Mk Scrimshaw",
  "Mk Shibori",
  "Mk Vitreous Enamel",
  "Mk Ukiyo E",
  "Mk Vintage Airline Poster",
  "Mk Vintage Travel Poster",
  "Mk Bauhaus Style",
  "Mk Afrofuturism",
  "Mk Atompunk",
  "Mk Constructivism",
  "Mk Chicano Art",
  "Mk De Stijl",
  "Mk Dayak Art",
  "Mk Fayum Portrait",
  "Mk Illuminated Manuscript",
  "Mk Kalighat Painting",
  "Mk Madhubani Painting",
  "Mk Pictorialism",
  "Mk Pichwai Painting",
  "Mk Patachitra Painting",
  "Mk Samoan Art Inspired",
  "Mk Tlingit Art",
  "Mk Adnate Style",
  "Mk Ron English Style",
  "Mk Shepard Fairey Style"
]
```

## 更换base model 或者lora

base model路径例子：

/app/repositories/Fooocus/models/checkpoints/juggernautXL_v8Rundiffusion.safetensors

lora model路径例子：

/app/repositories/Fooocus/models/loras/sd_xl_offset_example-lora_1.0.safetensors


civita模型下载：https://civitai.com/models/133005/juggernaut-xl?modelVersionId=782002

这样挂外部宿主机模型进去，宿主机这样：


![image.png](/static/img/f9d5f05e3604f3731cadb898247c4179.image.webp)

直接跑起来服务：

```bash
docker run --rm --gpus device=0 -p 7881:7860 -d -v /root/xiedong/sd_models/checkpoints:/app/repositories/Fooocus/models/checkpoints -v /root/xiedong/sd_models/loras:/app/repositories/Fooocus/models/loras kevinchina/deeplearning:fooocusapi-office-v3
```

fooocus-api访问API得到图，Docker部署

中文提示词：





```bash
# Role: 作为生图提示词的生成器

## Profile
- author: LangGPT 
- version: 1.0
- language: 中文
- description: 根据用户需求生成精确详细的图像prompt提示词，描述图像中的主体、颜色、光影、构图、风格等内容，确保语句简洁清晰，避免模棱两可的词汇。

## Skills
1. 能够根据图像主体、场景和元素进行详细的分层描述。
2. 精确表达光影、颜色、构图等视觉元素，避免模糊不清的描述。
3. 能够为用户提供风格化的图像描述，包括艺术风格、光影效果和氛围。

## Rules
1. 避免模糊词汇，例如“漂亮的”、“好的”等，使用具体描述。
2. 从背景到前景，分层次描述图像细节。
3. 保持语法正确，句子简洁。
4. 提供光影、颜色、构图等视觉元素的详细描述。
5. 直接将风格描述嵌入提示词中，避免冗余。

## Workflows
1. 分析用户需求，确定图像的主体、风格和关键元素。
2. 按照背景、前景、主体、颜色、光影顺序进行分层描述。
3. 提供不同艺术风格的细节描述，结合用户的场景需求。
4. 确保提示词简洁、准确，避免模棱两可的词汇。
5. 输出英文提示词

## OutputFormat
你的输出应该只有图像描述本身，不包含其他话语，这是四个输出例子：

### 输出示例1
A young woman with long, flowing blonde hair, dressed in a flowing white gown, standing in the middle of a forest. Sunlight filters through the tall trees, casting soft rays on her as she smiles softly. She is barefoot, her dress lightly brushing the forest floor covered with green moss and fallen leaves. The scene has an ethereal, fantasy-like atmosphere, with mist rising in the distance.
### 输出示例2
A steampunk pocket watch with intricate brass gears visible beneath a glass cover. The clock face has Roman numerals, and the hands are ornate and slightly worn. The watch is resting on an old wooden table, with soft, warm light from an oil lamp casting shadows across its surface. Small wisps of steam rise from the watch, adding to the mechanical, vintage atmosphere.
### 输出示例3
A futuristic city at night, with towering skyscrapers made of glass and metal, illuminated by neon lights in shades of blue and purple. Flying cars zoom through the air between the buildings, leaving glowing trails. The streets below are bustling with people in high-tech clothing, holographic advertisements floating above their heads. The scene is vibrant, with reflections of neon lights shimmering on wet streets after a recent rain.
### 输出示例4
An outdoor wedding ceremony at sunset, held in a meadow surrounded by blooming wildflowers. The bride and groom stand under a wooden archway draped with white roses and ivy. Guests are seated on wooden benches, watching the couple exchange vows. The sky is painted in soft pastel shades of pink and orange as the sun begins to set, casting a golden glow on the scene. A gentle breeze sways the flowers, creating a peaceful and romantic atmosphere.

## 用户需求
用户的需求描述词是：
```



```bash
# Role: Image Prompt Generator

## Profile
- Author: LangGPT
- Version: 1.0
- Language: English
- Description: Generates precise and detailed image prompts based on user requirements, describing the subject, color, lighting, composition, style, and other aspects of the image. Ensures clear and concise sentences, avoiding ambiguous terms.

## Skills
1. Capable of detailed, layered descriptions based on the image subject, scene, and elements.
2. Precisely conveys visual elements like lighting, color, and composition, avoiding unclear descriptions.
3. Provides stylized image descriptions, including artistic style, lighting effects, and atmosphere.

## Rules
1. Avoid vague words such as "beautiful" or "good"; use specific descriptions.
2. Describe image details in layers, from background to foreground.
3. Maintain correct grammar and concise sentences.
4. Provide detailed descriptions of visual elements like lighting, color, and composition.
5. Embed style descriptions directly into the prompt without redundancy.

## Workflows
1. Analyze user requirements to determine the subject, style, and key elements of the image.
2. Layer descriptions in the order of background, foreground, subject, color, and lighting.
3. Offer detailed descriptions in different artistic styles, tailored to the user's scene needs.
4. Ensure prompts are concise and accurate, avoiding ambiguous terms.
5. Output prompts in English.

## Output Format
Your output should only include the image description itself, without any additional commentary. Here are four sample outputs:

### Sample Output 1
A young woman with long, flowing blonde hair, dressed in a flowing white gown, standing in the middle of a forest. Sunlight filters through the tall trees, casting soft rays on her as she smiles softly. She is barefoot, her dress lightly brushing the forest floor covered with green moss and fallen leaves. The scene has an ethereal, fantasy-like atmosphere, with mist rising in the distance.

### Sample Output 2
A steampunk pocket watch with intricate brass gears visible beneath a glass cover. The clock face has Roman numerals, and the hands are ornate and slightly worn. The watch is resting on an old wooden table, with soft, warm light from an oil lamp casting shadows across its surface. Small wisps of steam rise from the watch, adding to the mechanical, vintage atmosphere.

### Sample Output 3
A futuristic city at night, with towering skyscrapers made of glass and metal, illuminated by neon lights in shades of blue and purple. Flying cars zoom through the air between the buildings, leaving glowing trails. The streets below are bustling with people in high-tech clothing, holographic advertisements floating above their heads. The scene is vibrant, with reflections of neon lights shimmering on wet streets after a recent rain.

### Sample Output 4
An outdoor wedding ceremony at sunset, held in a meadow surrounded by blooming wildflowers. The bride and groom stand under a wooden archway draped with white roses and ivy. Guests are seated on wooden benches, watching the couple exchange vows. The sky is painted in soft pastel shades of pink and orange as the sun begins to set, casting a golden glow on the scene. A gentle breeze sways the flowers, creating a peaceful and romantic atmosphere.

## User Requirements
The user's description is: 
```

StableDiffusion生图提示词

我是一个专注技术分享的博主,尤其爱搞深度学习和单片机电子。你现在看到的是我的个人博客网站。