新的需求
我们前面的需求呢，有些平台说因为引起争议，所以不让发，好吧，那我们换个需求，本来那个例子也不好扩展了。最近 AI 画图也是比较火的，那么我们来试试做个程序帮我们生成 AI 画图的 prompt。
首先讲一下 AI 话题的 prompt 的关键要素，大部分的 AI 画图都是有一个个由逗号分割的关键字，也叫 subject，类似下面这样：
a cute cat, smile, running, look_at_viewer, full_body, side_view,
复制代码
然后还有 negative prompt，就是你不想出现的关键字，跟上面的写法一样，只是写下来表示不希望它画出来的，比如我们想画一堆猫的图片，不想出现狗，不想出现人，我们可以这么写：
这样大概率就不会出现狗和人了（当然也不一定，懂得都懂）。
这些 prompt 扔给 AI，我们可能得到下面这么一张图：
但也可能会得到下面这么一张图：
后面这张让人 san 值狂减啊有没有，所以说关键字的使用上还是有些学问的，我得好好研究研究。一研究我才发现，这玩意生成速度太慢了，我做一个试验几秒钟过去了，然后才能做下一个。这就把我锁在这电脑前面了，走也不是，等也不是。我大好的人生怎么能浪费在这些事情上？啊~不~高~兴！
这时我想到，我是个程序员啊。那假如，我有一个可以排列组合各种关键字帮我生成 prompt 的程序，让它一个个去试验，最后我只要看看哪个图片比较靠谱，反过来看看哪些关键字组合更好用，岂不是美滋滋？
领域知识
那么说干就干，开始之前要了解一下领域知识。
首先是关键字，在这个需求里只是基础知识，没有什么难的，大概有下面几条规则：
- 这个很重要，通常我们想尝试好的方式，需要给每个关键字设置权重。- LoRA，英文全称Low-Rank Adaptation of Large Language Models，直译为大语言模型的低阶适应，这是微软的研究人员为了解决大语言模型微调而开发的一项技术，在我们这个场景下就是我们多了一种关键字，这种关键字大概是这么写：
- ``` <lora:wanostyle_2_offset:1>, monkey d luffy,
复制代码
接着我们来了解一下排列组合的逻辑，这个将是我们的关键难点。
在这个领域，影响生成的因素主要有几个：
模型
sample
step
宽高
seed
negative prompt
prompt
在 prompt 中我们的关键字还可以根据使用目的分类，比如于生成画面风格的、用于生成背景的、用于生成人物的、用于成表情的等等
在 prompt 中，关键字的摆放顺序有时候还会造成点不同。
还有更复杂的 Control Net，这个例子里我们先不考虑。
生成的时候，某些关键字要获得最好的效果，可能自己对模型、sample 以及其他关键字的存在和权重都有自己的要求，比某关键字在某模型下权重为 0.3，而在另一个模型下权重需要 0.7。比如路飞会带草帽，那么这个人物出现的时候，必须配上帽的关键字才对味，而其他的人物就不要跟草帽组合了，又浪时间又没有意义。所以组合上要考虑各种因素之间的互斥和强依赖等场景。
架构设计
好，这大概是一个比较复杂的需求了。回到上篇文章遗留的问题，聊聊当我们面对一个比较复杂的需求，而且我们接下来要用 ChatGPT 把它实现的时候，我们应该怎么设计架构。
管道架构
在这个需求里，我们首先要知道，这类 AI 都是有 REST API 的，比如说 stable diffusion WebUI，就有一个自己的 API，他们的 API 接受一个固定格式的 JSON，其结构大概是这个样子：
{"prompt": "","negative_prompt": "","controlnet_input_image": [],"controlnet_mask": [],"controlnet_module": "","controlnet_model": "","controlnet_weight": 1,"controlnet_resize_mode": "Scale to Fit (Inner Fit)","controlnet_lowvram": true,"controlnet_processor_res": 512,"controlnet_threshold_a": 64,"controlnet_threshold_b": 64,"controlnet_guidance": 1,"controlnet_guessmode": true,"enable_hr": false,"denoising_strength": 0.5,"hr_scale": 1.5,"hr_upscale": "Latent","seed": -1,"subseed": -1,"subseed_strength": -1,"sampler_index": "","batch_size": 1,"n_iter": 1,"steps": 20,"cfg_scale": 7,"width": 512,"height": 512,"restore_faces": true,"override_settings": {},"override_settings_restore_afterwards": true}
复制代码
那么这就是类似他们的意图描述，可以把它看成一种 DSL。
而在我们这个领域里，我们要做的是排列组合，那么对于排列组合，我们要设计我们排列组合的意图描述，这可以看成另一种 DSL，这种 DSL 只作简单排列组合，不做复杂的互斥和强依赖逻辑的计算，其结构可能是这个样子：
- base_share_composite_intentions: base: steps: 10 batch_size: 1 width: 512 height: 512 cfg_scale: 7 sampler: "Euler a" seed: -1 restore_faces: true output_folder: output/txt2img file_full_name_strategy: date_seed_name_strategy sd_host: http://localhost:7860 negative_prompt: a dog poly: - template_prompt: template: > a cat, ${ view_angle } ${ portrait } ${ facial_expressions } ${ pose } meta: - view_angle: - side_view, - front_view, portrait: - full body, facial_expressions: - (smile:1.5), - (smile:1.2), - smile, pose: "" - view_angle: - front_view, portrait: - "" facial_expressions: - smile, pose: - run, - jump, - rolling, steps: 20
复制代码
然后在这个 DSL 之上，我们可以再做一个 DSL，这个 DSL 用于处理复杂的互斥和强依赖逻辑的计算，前面说了那么多，真正这个地方到底有多复杂我也想不清楚。那干脆，搞个模板引擎来吧，这就什么都能干了，慢慢搞明白了再封装。最终其结构可能是这个样子：
<% const randomNum = Math.floor(Math.random() * 900000000) + 100000000;var intention = { is_override_settings: true, seed: randomNum,}%>
<% var status = {charas:{ values_of_chara_$ref: [ "cats.yml#Abyssinian", "cats.yml#cats_in_boots", ], current_chara_index: 0, next_chara(){ this.current_chara_index++; }},themes:{ values_of_theme: [ { $ref: "outdoor" }, ], current_theme_index: 0, next_theme(){ this.current_theme_index++; }, reset_theme(){ this.current_theme_index = 0; }}}%>
<%common_theme_file = "common/chara_based_themes.yml"%>
<% while (status.charas.current_chara_index < status.charas.values_of_chara_$ref.length) { %>- base_share_composite_intentions: common: theme: base: steps: 20 batch_size: 1 width: 512 height: 512 cfg_scale: 7 sampler: "DPM++ 2M Karras" seed: <%- intention.seed %> restore_faces: false output_folder: output/txt2img file_full_name_strategy: date_seed_name_strategy sd_host: http://localhost:7860 <% if(intention.is_override_settings){ %> override_settings: CLIP_stop_at_last_layers: 2 eta_noise_seed_delta: 31337 <%}%> negative_prompt: > dog, human, bad anatomy, EasyNegative,paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, poly: <% while (status.themes.current_theme_index < status.themes.values_of_theme.length) { %> - $p_ref: $ref: "<%-common_theme_file%>#<%- status.themes.values_of_theme[status.themes.current_theme_index].$ref%>" params: base_prompt_features: $p_ref: $ref: <%- status.charas.values_of_chara_$ref[status.charas.current_chara_index] %> params: is_full_chara: true chara_weight: 0.2 pose: sit facial_expressions: (smile:1.1),(open mouth), - $p_ref: $ref: "<%-common_theme_file%>#<%- status.themes.values_of_theme[status.themes.current_theme_index].$ref%>" params: base_prompt_features: $p_ref: $ref: <%- status.charas.values_of_chara_$ref[status.charas.current_chara_index] %> params: is_full_chara: true chara_weight: 0.6 pose: run facial_expressions: (smile:1.2),(closed mouth), <% status.themes.next_theme(); %> <% } %><% status.themes.reset_theme(); %><% status.charas.next_chara(); %><% } %>
复制代码
于是我们有了三个 DSL，他们层层转换，最终驱动 AI 画图。那么我们的程序可能就会是下面这个样子：
可以看出，这样我们就得到了大名鼎鼎的管道架构，经常使用 Linux/Unix 命令行的人，可能已经体会过管道架构恐怖的扩展能力，这次我们只能说，是 Linux/Unix 哲学再一次展现出威力。
我们之前讲了，ChatGPT 可以快速写出一些小程序，但是长一点的总是会出错，那么其实除了从规模上进行分解将任务复杂度降低之外，通过抽象建立分层的 DSL 也是一种降低复杂度的方案。
分层架构
说到分层，其实从另一个角度看，我们这个架构也是一个分层架构。
可以看到，我们可以轻易地替换调用不同 REST API 的代码以做到对于不同 AI 的适配，实现了隔离。
同理，不但意图执行可以切换，意图描述也可以跟着切换：
既可以有技术维度上的扩展，也可以有业务维度上的扩展：
所以从这个角度来说，每一个管段，都是可以看作是一层。
类分层神经网络的架构
而到这还不算完，具体在执行的时候，可能受环境的影响，可能受上层意图影响等等，总之是需要进行每一层的路径选择的。这种选择，可能是由另一个引擎来完成的。那么最终我们的架构的完整形态他可能是这个样子的：
当然其运行视图可能是这样的：
到此，我们得到了我们架构比较完整的形态，他是一个集成了管道架构和分层架构，在一个派发引擎的支撑下的一个类分层神经网络的结构。（还别说，这个结果还挺有点分形的味道）
总结一下
跟上一篇文章比起来，我们这篇文章的代码写的更少了（难道这就是 ChatGPT 时代的宿命吗^_^）。
我们引入了一个新需求，这个新需求有更多的排列组合逻辑在其中，其测试也更容易在本地完成。基于这个复杂的排列组合逻辑的问题域，我们在开始之前做了一个架构设计。因为我们这篇文章是用 ChatGPT 写程序，这个架构设计自然是为了能用 ChatGPT 把这个复杂的程序给写出来，所以我们整篇文章只讲了应该设计一个怎样的架构。
之所以这么设计架构，是因为 ChatGPT 只能做简单程序的代码编写，但是我们不能因此放弃使用它。毕竟人类社会也没有因为蒸汽机车不如马耐颠所以放弃蒸汽机车继续用马车，我们为了使用它的优势为他修了路。那么放到软件领域，就是要为它设计适合它的架构，以最大限度的发挥它的优势，规避它的劣势。
所以我们采用了分层架构+管道架构两种架构模式的组合搭建了一个类分层神经网络的架构。尽管这个架构要达到最完美的形态，我们需要把那个派发引擎做出来，但是即便没有那个派发引擎，剩下的两个模式的组合也足以使得我们可以在横向上按照代码规模进行分解，在纵向上按照抽象层次进行分解，从而把需求的复杂度分解为一个个可以由 ChatGPT 完成的任务了。
那么接下来，我们就可以动手工作了，我们下一篇文章讲讲开发这其中的每一个节点有什么套路。
评论