－Ben's PHOTO－

最近 AI 界開始流行一個新的代名詞：AIGC（Artificial Intelligence Generated Content），中文譯為「生成式 AI」，用來和以前一般概念的 AI 作區分。 AI 發展的速度可說是「一日千里」，AIGC 應用與議題也呈現爆炸式成長。去年二月時寫了一篇文章簡單介紹 Stable Deffusion 的 AI 繪圖功能，當時 WebUI 的某些項目仍不夠穩定，且時不時又跑出一堆新的插件和技術，覺得這發展的速度實在是快到難以跟上，所以就乾脆棄坑不追了，打算等著過一段時間、哪些功能成為主流了之後再來接觸學習。如今一年過去了，這一年的 AIGC 服務比起一年前更加百花齊放，使用上也更加方便、使用門檻也更低，是時候重新接觸這個議題了。

最近「AI」的議題非常的火紅，去年 11 月 ChatGPT 橫空出世，徹底顛覆以往人類對「人工智慧」的認知。我是這麼跟就讀高二的外甥女介紹 ChatGPT 的：請她打開高中數學課本，隨便找一條數學選擇題，將題目直接輸入到 ChatGPT 裡，過了幾秒鐘之後 ChatGPT 開始回答，一行一行清楚寫出解題步驟，最後還以人類的自然語法唸出來「所以這一題的答案是 A、C、 D」，標準答案完全正確，真的是「讓在場所有人全都驚呆了」，短短最近這一兩個月，「AI 」話題的熱度可說是與日俱增，發展的速度簡直跟火箭升空一樣，速度快到有點讓人跟不上，幾乎每隔幾天就可以聽到「AI」有甚麼樣新技術或是新應用。

而在「AI 繪圖」這個領域也很精彩，目前最知名的 AI 繪圖工具「Midjourney AI］僅須透過「提詞（Prompt）」描述的方式，隨隨便便就能產出超精細質感的大師級繪作。然而「Midjourney AI」服務可不是免費的，每個帳號只有 25 張圖的免費額度，如果把它當娛樂來玩，累積起來也是一筆不少的開支。另一套 AI 繪圖工具「Stable-Diffusion」則是完全的開源且免費，不過提到「開源」則意味著必須自己 DIY 建置起來才能使用，對一般用戶來說依然是有門檻的。後來 Stable-Diffusion 出了一套 Webui 管理工具，讓安裝建置工作的門檻大幅降低，網路上各種教學影片也多到不勝枚舉。

然而 Stable-Diffusion 一開始是建立在 NVidia 的 CUDA 生態圈裡，要使用 Stable-Diffusion 最基本前提是要有一張 NVidia 10+ 系顯卡，並且 VRAM 是越大越好。目前市面上跑 Stable-Diffusion 最佳 CP 的 N 卡為 RTX 3060 12G 礦卡，差不多是全新價的 5 折，台幣六千出頭，再上去就是 RTX 3080 12G/3090 24G 或 4070 Ti 12G 以上等級的顯示卡，隨便一張就是好幾個萬。對於非 N 系顯卡的用戶的支援才剛起步，相關資源和資訊還不夠普遍。作為一個長期黑蘋果的用戶，近年來獨立顯卡始終僅有 A 系可選，想要玩 Stable-Diffusion-Webui 還是有那麼一點點不方便，網路上也比較少見 A 卡運作 Stable-Diffusion-Webu 的相關資源，所以就開一篇文簡單紀錄一下。

前情提要：教你的 iPhone 認識 Gogoro 換電站（Part 1）- 用黑蘋果電腦玩轉最夯的機械學習。

在前一篇文章中，第一次嘗試從無到有完成整個機械學習影像辨識的練習過程，最終得到一個「必須以半作弊的方式得到貌似可用的訓練模型」這種不太滿意的結果，後續也留下許多問題留待後續探討。接下來這段時間裡，我一直不斷嘗試各種手段，增加辨識成功的機率，不過終究效果有限，誤判的原因也越來越難深究，以至於教學課程訓練好的範例資料可用，自己訓練出來資料卻不能用。才正要開心的向前踏出一步，接著又卡關了，實在很灰心！

於是又再度上谷歌大海中漂流，反覆嘗試搜尋自己可能遺漏了什麼關鍵字，一次又一次的搜尋，一次又一次的觸碰艱深難懂也始終搞不懂的演算法議題。在某一次的資料搜尋中，搜到一張圖片：

近年來所謂的「大數據」（Big Data）、「AI 人工智慧」、「機器學習」（Machine Learning）、「深度學習」（Deep Learning）突然變得很夯，可說是目前最火熱、最具爆炸性發展的當紅顯學。我沒有在豪洨，熱門的程度，可觀察這個現象：在台南的市立圖書館與其他分館中，Python 的書籍根本是一書難求，而且持續很長一段時間。Python 本身除了用途廣泛之外，在機械學習領域更是入門標準，無法規避不學的程式語言，不會 Python 就等於做不成機械學習專家。在多年前我就對這個領域很感興趣，也持續 Google 搜到不少教材，不過坦白講這類學問的技術理論實在是深不見底、高不可攀，找到的教學常常需要參考某某博士論文，或是先弄懂某某數學演算法，這實非我等江湖術士能力所及，所以這條學習之路不論從哪開始下手，沒多久就一定會碰到鐵釘子，走得跌跌撞撞，始終得不到入門的要領。

直到去年（2017 年）蘋果公司於 WWDC 2017 發表了 Core ML 套件，我這條機械學習的黑暗之路終於見到曙光。蘋果宣稱 Core ML 能輕易的將「機械學習模型」（Machine Learning Model）整合到 iOS 裝置的應用程式內，並在 Developer 官網上釋出幾個實用的模型（副檔名為 mimodel）。到了今年 WWDC 2018，蘋果進一步釋出 Create ML 工具，號稱「不需具備機械學習專家技能，也能在 Mac 上輕鬆使用機械學習技術」，並且自動啟用可用的 GPU 加速訓練過程。

當然了，以黑蘋果技術帶入 Mac，這句話也可改寫成：

「不需具備機械學習專家技能，也能在個人電腦上輕鬆使用機械學習技術」

照這篇官方教學（網址），我終於如願完成人生第一個機械學習模型，讓手機也能認識新事物！