DiscoArt 是一个很牛的开源模块，它能根据你给定的关键词自动绘画。
绘制过程是完全可见的，你可以在 jupyter 页面上看见这个绘制的过程：
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上,如果没有，可以访问这篇文章：超详细Python安装指南进行安装。
(可选1)如果你用Python的目的是数据分析，可以直接安装Anaconda，它内置了Python和pip.
(可选2)此外，推荐大家用VSCode编辑器，它有许多的优点
请选择以下任一种方式输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.
pip install discoart
为了运行 Discoart， 你需要Python 3.7+ 和支持 CUDA 的 PyTorch.
2.开始使用 Discoart
你可以在Jupyter中运行Discoart，这样能方便地实时展示绘制过程：
from discoart import create da = create()
这样将使用默认的 文本描述 和参数创建图像：
text_prompts: - A beautiful painting of a singular lighthouse, shining its light across a tumultuous sea of blood by greg rutkowski and thomas kinkade, Trending on artstation. - yellow color scheme init_image: width_height: [ 1280, 768 ] skip_steps: 0 steps: 250 init_scale: 1000 clip_guidance_scale: 5000 tv_scale: 0 range_scale: 150 sat_scale: 0 cutn_batches: 4 diffusion_model: 512x512_diffusion_uncond_finetune_008100 use_secondary_model: True diffusion_sampling_mode: ddim perlin_init: False perlin_mode: mixed seed: eta: 0.8 clamp_grad: True clamp_max: 0.05 randomize_class: True clip_denoised: False rand_mag: 0.05 cut_overview: "[12]*400+[4]*600" cut_innercut: "[4]*400+[12]*600" cut_icgray_p: "[0.2]*400+[0]*600" cut_ic_pow: 1. save_rate: 20 gif_fps: 20 gif_size_ratio: 0.5 n_batches: 4 batch_size: 1 batch_name: clip_models: - ViT-B-32::openai - ViT-B-16::openai - RN50::openai clip_models_schedules: use_vertical_symmetry: False use_horizontal_symmetry: False transformation_percent: [0.09] on_misspelled_token: ignore diffusion_model_config: cut_schedules_group: name_docarray: skip_event: stop_event: text_clip_on_cpu: False truncate_overlength_prompt: False image_output: True visualize_cuts: False display_rate: 1
创建出来的就是这个图：
Create 支持的所有参数如下：
text_prompts: - A beautiful painting of a singular lighthouse, shining its light across a tumultuous sea of blood by greg rutkowski and thomas kinkade, Trending on artstation. - yellow color scheme init_image: width_height: [ 1280, 768 ] skip_steps: 0 steps: 250 init_scale: 1000 clip_guidance_scale: 5000 tv_scale: 0 range_scale: 150 sat_scale: 0 cutn_batches: 4 diffusion_model: 512x512_diffusion_uncond_finetune_008100 use_secondary_model: True diffusion_sampling_mode: ddim perlin_init: False perlin_mode: mixed seed: eta: 0.8 clamp_grad: True clamp_max: 0.05 randomize_class: True clip_denoised: False rand_mag: 0.05 cut_overview: "[12]*400+[4]*600" cut_innercut: "[4]*400+[12]*600" cut_icgray_p: "[0.2]*400+[0]*600" cut_ic_pow: 1. save_rate: 20 gif_fps: 20 gif_size_ratio: 0.5 n_batches: 4 batch_size: 1 batch_name: clip_models: - ViT-B-32::openai - ViT-B-16::openai - RN50::openai clip_models_schedules: use_vertical_symmetry: False use_horizontal_symmetry: False transformation_percent: [0.09] on_misspelled_token: ignore diffusion_model_config: cut_schedules_group: name_docarray: skip_event: stop_event: text_clip_on_cpu: False truncate_overlength_prompt: False image_output: True visualize_cuts: False display_rate: 1
你可以这么使用参数：
from discoart import create da = create( text_prompts='A painting of sea cliffs in a tumultuous storm, Trending on ArtStation.', init_image='https://d2vyhzeko0lke5.cloudfront.net/2f4f6dfa5a05e078469ebe57e77b72f0.png', skip_steps=100, )
如果你不是用jupyter运行的，你也可以看到中间结果，因为最终结果和中间结果都会被创建在当前工作目录下，即
./{name-docarray}/{i}-done.png./{name-docarray}/{i}-step-{j}.png./{name-docarray}/{i}-progress.png./{name-docarray}/{i}-progress.gif./{name-docarray}/da.protobuf.lz4
name-docarray是运行时定义的名称，如果没有定义，则会随机生成。i-*第几个Batch。*-done-*是当前Batch完成后的最终图像。*-step-*是某一步的中间图像，实时更新。*-progress.png是到目前为止所有中间结果的png图像，实时更新。*-progress.gif是到目前为止所有中间结果的动画 gif，实时更新。da.protobuf.lz4是到目前为止所有中间结果的压缩 protobuf，实时更新。
3.显示/保存/加载配置
如果你想知道你当前绘图的配置，有三种方法：
from discoart import show_config show_config(da) # show the config of the first run show_config(da[3]) # show the config of the fourth run show_config( 'discoart-06030a0198843332edc554ffebfbf288' ) # show the config of the run with a known DocArray ID
要保存 Document/DocumentArray 的配置：
from discoart import save_config save_config(da, 'my.yml') # save the config of the first run save_config(da[3], 'my.yml') # save the config of the fourth run
从配置中导入：
from discoart import create, load_config
config = load_config('my.yml')
create(**config)
此外，你还能直接把配置导出为图像的形式
from discoart.config import save_config_svg save_config_svg(da)
