上期填坑

leetcode，16.25. LRU 緩存
設計和構(gòu)建一個“最近最少使用”緩存，該緩存會刪除最近最少使用的項目。
緩存應該從鍵映射到值(允許你插入和檢索特定鍵對應的值)，并在初始化時指定最大容量。當緩存被填滿時，它應該刪除最近最少使用的項目。
它應該支持以下操作： 獲取數(shù)據(jù) get 和 寫入數(shù)據(jù) put 。
獲取數(shù)據(jù) get(key) - 如果密鑰 (key) 存在于緩存中，則獲取密鑰的值（總是正數(shù)），否則返回 -1。
寫入數(shù)據(jù) put(key, value) - 如果密鑰不存在，則寫入其數(shù)據(jù)值。
當緩存容量達到上限時，它應該在寫入新數(shù)據(jù)之前刪除最近最少使用的數(shù)據(jù)值，從而為新的數(shù)據(jù)值留出空。

public class LRUCache {
    class DLinkedNode {//定義雙向鏈表節(jié)點和構(gòu)造函數(shù)
        int key;
        int value;
        DLinkedNode prev;
        DLinkedNode next;
        public DLinkedNode() {}
        public DLinkedNode(int _key, int _value) {key = _key; value = _value;}
    }
    
    //使用hash進行快速定位節(jié)點
    private Map<Integer, DLinkedNode> cache = new HashMap<Integer, DLinkedNode>();
    private int size;
    private int capacity;
    private DLinkedNode head, tail;

    //初始化
    public LRUCache(int capacity) {
        this.size = 0;
        this.capacity = capacity;
        // 使用偽頭部和偽尾部節(jié)點
        head = new DLinkedNode();
        tail = new DLinkedNode();
        head.next = tail;
        tail.prev = head;
    }

    public int get(int key) {
        DLinkedNode node = cache.get(key);
        if (node == null) {
            return -1;
        }
        // 如果 key 存在，先通過哈希表定位，再移到頭部
        moveToHead(node);
        return node.value;
    }

    public void put(int key, int value) {
        DLinkedNode node = cache.get(key);
        if (node == null) {
            // 如果 key 不存在，創(chuàng)建一個新的節(jié)點
            DLinkedNode newNode = new DLinkedNode(key, value);
            // 添加進哈希表
            cache.put(key, newNode);
            // 添加至雙向鏈表的頭部
            addToHead(newNode);
            ++size;
            if (size > capacity) {
                // 如果超出容量，刪除雙向鏈表的尾部節(jié)點
                DLinkedNode tail = removeTail();
                // 刪除哈希表中對應的項
                cache.remove(tail.key);
                --size;
            }
        }
        else {
            // 如果 key 存在，先通過哈希表定位，再修改 value，并移到頭部
            node.value = value;
            moveToHead(node);
        }
    }
  
    //偽頭節(jié)點的作用是為了快速頭插
    private void addToHead(DLinkedNode node) {
        node.prev = head;
        node.next = head.next;
        head.next.prev = node;
        head.next = node;
    }

    private void removeNode(DLinkedNode node) {
        node.prev.next = node.next;
        node.next.prev = node.prev;
    }

    private void moveToHead(DLinkedNode node) {
        removeNode(node);
        addToHead(node);
    }

    private DLinkedNode removeTail() {
        DLinkedNode res = tail.prev;
        removeNode(res);
        return res;
    }
}

ComfyUI

ComfyUI是鼎鼎大名的Stable Diffusion圖像生成模型的使用界面之一。相比于其前輩WebUI，ComfyUI不僅在組織形式上，在性能上也得到了提升:

? 以工作流形式面向用戶，給用戶更高的自由度，直觀易用。
? 功能模塊節(jié)點化，用戶更加清楚功能和數(shù)據(jù)流轉(zhuǎn)，可根據(jù)需求定制化
? 性能優(yōu)化，圖片生成速度更快
? 內(nèi)部流程優(yōu)化，硬件要求更低，低顯存和CPU也能運行，降低使用門檻
? 支持工作流程分享
ComfyUI 開源地址：https://github.com/comfyanonymous/ComfyUI
Web UI 開源地址：https://github.com/AUTOMATIC1111/stable-diffusion-webui
Stable diffusion 開源地址：https://github.com/CompVis/stable-diffusion
ComfyUI功能強大，包括文生圖、圖生圖、文生視頻、圖片修復等，這里以文生圖來對ComfyUI進行詳細的入門介紹。

ComfyUI安裝

windows下載安裝：

對于windows用戶來說只需要上ComfyUI的GitHub開源地址下載壓縮包即可，如下圖：

解壓安裝包到合適位置（建議選擇磁盤剩余空間大的盤），如下圖，

ComfyUI提供了run_cpu和run_nvida_gpu兩種啟動腳本，顧名思義，分別為使用CPU和GPU運算，選擇響應的文件雙擊即啟動。

Llinux、mac安裝啟動

需要按照ComfyUI的GitHub開源地址中說明，依次
克隆項目：
git clone https://github.com/comfyanonymous/ComfyUI.git
安裝環(huán)境：
AMD :pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.0
NVIDA:pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121
安裝依賴:
pip install -r requirements.txt
手動運行python main.py 啟動。

ComfyUI啟動界面如下如：

default.png

模型安裝

ComfyUI已經(jīng)啟動，但是沒有模型來運行，需要我們下載模型到對應的目錄中，如圖：

模型.png

提供兩個下載模型資源的地址：
抱抱臉：https://huggingface.co/
C站：https://civitai.com/

我在https://huggingface.co/runwayml/stable-diffusion-v1-5 下載v1-5-pruned-emaonly.ckpt模型后，放入checkpoint目錄，啟動程序，選擇好模型，使用默認的提示詞、參數(shù)、解碼器等，運行的效果如圖：

模塊詳解

以默認的文生圖流程為例，對ComfyUI的各個流程節(jié)點：大模型加載器、正向提示詞、反向提示詞、采樣器、圖像寬高、輸出輸出、VAE解碼器等進行介紹。

模型加載器

如下圖，模型加載器分為幾大類，分別是模型庫（checkpoint），插件預訓練模型（VAE、LoRA等），放大器(upscale)等。

按照如圖選擇的路徑點擊，即可添加大模型的加載器節(jié)點，如圖所示：

本地已加載4個大模型供選擇，雙擊即可選擇。

正反提示詞

提示詞在文生圖中至關(guān)重要，提示詞的好壞關(guān)系到生成的圖的效果。 如果自己運行文生圖時，可以借鑒C站相關(guān)做作品的提示詞模版。 提示詞節(jié)點如下圖方法添加：

一個輸入CLIP剛好與大模型的輸出CLIP可以相連，一個輸出與采樣器相連。 你會發(fā)現(xiàn)ComfyUI將可以相連的顏色也進行了匹配。

圖像屬性

如圖添加圖像屬性：寬和高，batch_size指一次生產(chǎn)圖的數(shù)量。僅有一個輸出。

采樣器

如圖，我們添加簡單的采樣器：

4個輸入：分別對應大模型的model輸出、正反提示詞和圖像屬性。
一個輸出：流程經(jīng)過采樣器處理完成后，圖像在低維度意味著已經(jīng)生產(chǎn)，所以最后要連接VAE解碼器進行解碼。

采樣器的7個參數(shù)：

? seed：種子，每張圖都有個隨機的種子。
? control_after_generate：每次生產(chǎn)圖后下一次種子的產(chǎn)生方式。默認是隨機。
注：當我們要微調(diào)當前已生產(chǎn)的圖像時，將這個選項設置為固定。這樣生成的圖像不會相差太大。
? steps：生產(chǎn)圖需要去噪的次數(shù)，值越大，圖像越清晰，當然運行越慢。
? cfg：提示詞在生成中的權(quán)重，越小生成的圖越與提示詞風馬牛不相及，一般0.8~0.9.
? samper_name：ComfyUI提供了多種不同的采樣器供選擇，每種有不同的效果。感興趣可以一一對比。
? scheduler：控制迭代中噪聲量大小，也有多種可選。
? denoise:與steps相關(guān)，1表示按照steps設置的步數(shù)去降噪。

VAE解碼器

如圖進行添加。

保存圖像

如圖進行添加：

生成圖像

添加好節(jié)點，只需選好要連接的輸入輸出，拖動就可以連接。 ComfyUI的顏色匹配可以輔助。
點擊如下圖，控制面板的Queue Prompt或者按下Ctrl + enter，即可運行。

運行結(jié)束，可以save我們的流程圖，以便下次加載或分享給他人。

如下git圖，拖動連接各個節(jié)點及點擊生成圖過程：

接下就可以自己設置相關(guān)變量參數(shù)，試試看了。 如下圖是我參照C站相關(guān)作品的參數(shù)，生成流程圖：

每日一算

leetcode , 209. 長度最小的子數(shù)組

給定一個含有 n 個正整數(shù)的數(shù)組和一個正整數(shù) target 。 找出該數(shù)組中滿足其總和大于等于 target 的長度最小的子數(shù)組 [numsl, numsl+1, ..., numsr-1, numsr] ，并返回其長度。如果不存在符合條件的子數(shù)組，返回 0 。