想部署SD的自定义模型版本,如何搞?[阿里云函数计算]

想部署SD的自定义模型版本,如何搞?

  1. 本次构建的stable-diffusion模型固化到镜像中,您无法修改和添加模型,我要可以上传模型的版本。
「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
=====这是一个广告位,招租中,联系qq 78315851====
2 条回复 A 作者 M 管理员
  1. 在SD中部署自定义模型版本,可以按照以下步骤进行:

    1. 在SD中创建一个新的模型,将其命名为您想要的模型名称。
    2. 在SD中上传您自定义的模型文件,确保文件名与模型名称一致。
    3. 在SD中创建一个新的部署,选择您刚刚创建的模型,并填写其他必要的部署信息。
    4. 启动部署,等待部署完成。

    这样就可以在SD中部署您自定义的模型版本了。需要注意的是,在部署时需要确保您上传的模型文件与您在SD中创建的模型名称一致,否则将无法部署成功。

  2. 要部署自定义的模型版本,请按照以下步骤操作:

    1. 首先,确保您已经在本地训练了自定义的模型。对于 TensorFlow、PyTorch 等深度学习框架,通常需要将模型结构和权重导出为 ONNX、SavedModel 或其他可部署格式。

    2. 将自定义模型上传到云存储服务,例如 Google Cloud Storage、Amazon S3 或其他类似服务,确保您拥有该模型文件的访问权限。

    3. 选择一个部署解决方案,例如 Google Cloud AI Platform、Amazon SageMaker、Microsoft Azure ML 或其他类似服务。这些服务中的许多都支持多种框架,确保选择支持您模型格式的平台。

    4. 在所选部署平台上创建一个新的模型资源,并将之前上传到云存储的自定义模型关联到该资源。这通常需要在创建过程中提供云存储中模型文件的位置以及其他关联元数据。

    5. 创建一个模型版本,这允许您在同一个模型资源下追踪和部署不同版本的自定义模型。着重点在于模型版本的管理,尤其在部署多个更新版本时。

    6. 将新创建的模型版本部署到您选择的平台服务。部署过程通常包括为模型选择计算资源(如 CPU、GPU 或 TPU 等),设置自动扩展策略(如果需要)以及指定其他参数。

    7. 确保部署成功后,可以通过平台提供的 API 向您的自定义模型发送访问请求。

    具体步骤可能因平台而异,但总体流程应该相似。在进行部署时,请参考您选择的平台的具体文档以确保成功部署自定义模型。

  3. 应用-人工智能分类-找到Sd-plus应用,注意领取函数计算和NAS免费额度,再开始使用 https://mp.weixin.qq.com/s/xMHa-Xhz1ls9Mnk1nQqtkQ

    此答案来自钉钉群“阿里函数计算官网客户”