人工智能的波澜壮阔，新能源的死气沉沉。可以覆盖了大部分这半年前的行情。从ChatGPT问世以来，各种与人工智能相关的板块都有过高光时刻。比如算力，大量数据吞吐的光模块，训练模型的数据要素等，还有国内大模型开发的厂商。甚至网络运营商都有大涨时刻。但是经过了这么长时间，有的只是过眼云烟，有的依旧十分强势。
在以上的领域中，也跟风操作过，有成功的也有失败的。但总的来说成功的略处上风。由于气候的异常加剧，极端天气的增多，我国的用电量预计还会温和增加，对应之前的电网的特高压建设的立项，2023年可能是其中的交付大年，所以在特高压板块也有所埋伏，业绩尚可。新能源的疲软可能与业绩疲软和没有新的概念出来，预期已经打满，没有新的增长点一时半会可能也还会处在这种无人问津的状态吧。
加之经济大环境的不景气，整个市场感觉人气也不是很足。尽管胡锡进今年也加入了A股大军（也不算什么大事情），但指数也没一路高歌向上。在此环境下或许投资电站是各个不错的选择。
基本名词解释：
数据集train 用来训练模型的图片数据及标签。
验证集valid 优化模型参数。每一个Eporch运行一次，确保程序走在往效果变好的方向
测试集test 用来检验程序成果，评价模型的效果。
mAP ，即平均平均精度。一种模型的评价指标。用来描述模型的检测精度。
P 精度
R 召回率
└─ Datasets
├─ test
│ ├─ image
│ └─ labels
├─ train
│ ├─ image
│ └─ labels
│
└─ val
├─ image
└─ labels
requirements.txt文件是保存了依赖目录，运行前确保安装了上述依赖。
几个重要的Python文件的用途介绍。
下面给一个执行train.py示例代码。
Usage - Single-GPU training:
$ python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt (recommended)
各个参数的含义如下
img 指定输入图像的大小
batch 一组(批次)放入多少张图片
epochs 一共循环多少次
data 数据集的目录
weights 使用什么类型的模型。Yolo提供了小、中、大等几个预训练模型。根据需要选择。
cache 指定缓存大小。可选择–cache ram 或是 –cache disk
训练完后的数据一般都在runs/train目录下
2023年重大事件记录
2022年的不景气，让大家开始期待2023年。但是2023年开起来不是那样的美好。虽然上证指数得到了一定的修复，但是感觉和自己没什么关系。支付宝等基金销售渠道之前推荐的新能源、光伏、半导体等还是那样。上证指数的上涨可能更多地还是来自“大块头”的银行、保险等。
不过在AI方面情绪还是十分的高涨。由负责AI落地的蓝色光标、万兴科技、昆仑万维；AI服务器的浪潮、中科曙光、CPO光模块等企业都迎来的大幅的上涨。这种情绪也发散到很多周围的板块如游戏、广告传媒、芯片等。有幸参与到其中。个人感觉这是会贯穿大半年的主线。不过还是要有合适的价格，有些企业目前的业绩还是很难支撑其现在的价格。等波回调再上车也不迟。
说到回调，随着国际形势的风云诡谲，很多未知的风险因素急剧上升。黄金价格一路上扬不太回头，440+元/克；日本前首相被枪杀，现首相被袭击，还有国会炸弹威胁。真是太神奇了。
也正因为此，还是保险一点比较好。（好多利润都回吐了/(ㄒoㄒ)/~~）注意风险规避吧。出手更要讲究不鸣则已，一鸣惊人。
使用Stable Diffusion，利用已有的模型，利用本地GPU完成AI绘画。由于一般本地的GPU性能都比较羸弱，所以在实现推理时我们的分辨率都不能设置的太大。好在Stable Diffusion里还预置图片放大的功能，在选出不错的图片后可以使用此功能对其放大。
最简单的使用流程：
下载好大模型
输入好提示词和反向提示词
图片推理
将合适的图片放大
关于模型的下载可以采用下述网站去搜集查找，这里就不给出下载地址了。
这里也提供一些我的成品图。点击此处前往头条查看几张样例图片。这里会额外补充之后渲染的图片。
当然，推理的时候可能会出现一些奇怪的地方，比如说多一只手或多一只脚，或是多根手指，这时候只需要再放大的过程中对此区域进行重画就可以解决了。