Prompt-to-Prompt 图像编辑与交叉注意力控制【华为开发者空间】

举报
yd_241904040 发表于 2024/11/14 16:54:57 2024/11/14
【摘要】 本文探讨了Prompt-to-Prompt（prompt2prompt）方法在图像编辑中的应用，通过替换扩散模型中的交叉注意力图，实现无需掩码的精确编辑，保持原始构图不变。同时，详细介绍了如何将这一流程部署到华为云开发者空间云端平台，包括账号注册、项目创建、环境配置（GPU资源）、依赖安装及代码运行。

简介

随着文本到图像生成模型（Text-to-Image Models）的快速发展，如Stable Diffusion，用户现在可以通过简洁的文本描述生成栩栩如生的图像。然而，在实际应用中，图像编辑仍面临诸多挑战，尤其是在希望保持原始构图不变的同时，对图像进行有针对性的修改时。传统的方法通常依赖于用户手动提供编辑区域的掩码（mask），这不仅增加了操作的复杂性，还限制了编辑的灵活性和效率。

本文将深入探讨Prompt-to-Prompt（prompt2prompt） 方法，这是一种无需额外掩码，仅通过调整文本提示（prompt）即可实现图像编辑的创新技术。通过替换扩散模型中的交叉注意力图（cross attention maps），prompt2prompt能够在保持图像整体布局不变的同时，根据新的文本提示生成符合语义的编辑图像。此外，本文还将详细介绍如何将这一图像编辑流程部署到华为云开发者空间，实现高效的云端开发与运行。

背景与动机

基于文本的图像生成模型，如Stable Diffusion，通过解析用户输入的文本描述，生成高质量的图像。这些模型在创意设计、艺术创作等领域展现出巨大潜力。然而，生成后的图像如何进行高效且精准的编辑，尤其是在保持整体构图和背景不变的前提下，仅修改部分元素，依然是一个关键挑战。

传统的图像编辑方法通常需要用户手动提供编辑区域的掩码（mask），并在指定区域内进行修改。这不仅增加了用户的操作步骤，还限制了编辑的灵活性和自然性。prompt2prompt 方法通过深入分析扩散模型中的交叉注意力机制，提出了一种无需额外掩码，仅通过调整文本提示即可实现图像编辑的新方法。

图1：Prompt-to-Prompt 编辑流程示意图。

方法概述

交叉注意力机制

在基于扩散模型的文本到图像生成过程中，交叉注意力层（Cross Attention Layer）  扮演着关键角色。交叉注意力层负责将文本提示（prompt）中的每个词与图像生成过程中的不同图像块（image tokens）相关联。具体来说：

  1. 查询矩阵（Query Matrix, Q）：  由带噪图像通过线性映射得到。
  2. 键矩阵（Key Matrix, K）和值矩阵（Value Matrix, V）：  由文本 prompt 的嵌入向量通过不同的线性映射得到。
  3. 注意力图（Attention Map, M）：  通过 Q 和 K 的点积计算，并经过 softmax 函数归一化，表示每个图像块与文本中各个词的相关性。
  4. 交叉注意力层的输出：  通过注意力图 M 对值矩阵 V 进行加权平均，生成图像生成过程中的中间表示。

数学表达式如下：

M=softmax(QKTdk)M = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)

Output=MV\text{Output} = MV

其中，d 是键和值的隐层维度。

交叉注意力图替换

Prompt-to-Prompt 方法的核心思想在于，图像的空间布局主要由交叉注意力图决定。通过以下步骤，实现基于文本的图像编辑：

  1. 生成原始图像并保存交叉注意力图：

    • 使用原始提示和随机种子生成图像，同时保存整个生成过程中的交叉注意力图。

  2. 修改提示并替换交叉注意力图：

    • 修改文本提示为新的描述，生成编辑图像时，替换原始生成过程中的交叉注意力图为新的交叉注意力图。

这样，新的图像将在语义上符合修改后的提示，同时在空间布局上保持与原始图像一致。

图像编辑框架

基于上述机制，prompt2prompt 方法提出了一个统一的图像编辑框架，并在此框架下实现了三种具体的图像编辑应用：

  1. 替换单词的局部编辑（Word Swap）：

    • 通过替换提示中的特定词，实现图像中特定物体或属性的修改。

  2. 添加描述的全局编辑（Adding a New Phrase）：

    • 在原始提示中添加新词，实现整体风格或部分元素的修改。

  3. 注意力权重调整（Attention Re-weighting）：

    • 通过调整特定词的注意力权重，增强或减弱其在生成图像中的表现。

图2：Prompt-to-Prompt 图像编辑框架示意图。

上云部署到华为云开发者空间

为了提升图像编辑任务的效率和可扩展性，将prompt2prompt方法部署到云端是一个理想的选择。本文将详细介绍如何将上述图像编辑流程上云至华为云开发者空间，实现高效的云端开发与运行。

华为云开发者空间简介

华为云开发者空间是一个集成开发环境（IDE），提供丰富的云端开发工具和资源，支持多种编程语言和框架。通过开发者空间，用户可以轻松创建、部署和管理云端应用，充分利用华为云的计算资源和服务。

上云部署步骤

以下是将prompt2prompt图像编辑流程部署到华为云开发者空间的详细步骤：

步骤1：注册并登录华为云账号

  1. 访问华为云官网。
  2. 点击右上角的“免费注册”，按照提示完成注册流程。
  3. 注册完成后，登录华为云账号。

步骤2：创建开发者空间项目

  1. 登录后，访问华为云开发者空间。
  2. 在开发者空间主页，点击“创建项目”。
  3. 输入项目名称（例如：“Prompt2Prompt-Image-Editing”）和描述，选择适当的项目模板（建议选择“Python”模板）。
  4. 点击“创建”按钮，完成项目创建。

步骤3：配置云端开发环境

  1. 在项目主页，点击“环境设置”或类似选项。

  2. 选择计算资源：

    • 选择具备GPU加速的计算实例（如支持CUDA的实例），以满足Stable Diffusion模型的计算需求。

  3. 安装必要的库和依赖：

    • 打开项目的终端（Terminal）。
    • 更新包管理器并安装Python依赖：
     sudo apt-get update
     sudo apt-get install python3-pip
     pip3 install --upgrade pip
  • 安装所需的Python库：
     pip install diffusers transformers torch torchvision
  • 若使用GPU，确保安装与CUDA版本匹配的PyTorch版本。例如：
     pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118

步骤4：上传或克隆代码

  1. 通过Git克隆仓库：

    • 在终端中运行以下命令，将Prompt-to-Prompt的代码仓库克隆到开发者空间：
     git clone https://github.com/imaginize-ai/prompt2prompt.git
  • 进入项目目录：
     cd prompt2prompt

  1. 或者直接上传代码文件：

    • 点击开发者空间界面中的“上传文件”按钮，手动上传本地的代码文件。

步骤5：配置华为云资源

  1. 存储服务（OBS）：

    • 如果需要存储生成的图像和注意力图，可以配置华为云对象存储服务（OBS）。
    • 在华为云控制台，搜索“对象存储服务”，创建一个新的存储桶（Bucket）。
    • 获取存储桶的访问密钥和配置信息，用于在代码中进行API调用。

  2. 计算资源：

    • 确保选择的计算实例具备足够的GPU性能和内存，以支持Stable Diffusion模型的运行。
    • 在开发者空间中，可以通过“调整实例”功能，增加或减少计算资源。

步骤6：部署与运行代码

  1. 修改代码中的路径和配置：

    • 根据华为云的存储服务配置，修改代码中的文件路径和API调用参数。
    • 确保所有依赖项已正确安装，并且环境变量配置正确。

  2. 运行代码：

    • 在终端中，导航到项目根目录。
    • 运行Python脚本生成原始图像并进行编辑：
     python prompt2prompt_edit.py
  • 监控运行日志，确保代码顺利执行，无错误提示。

  1. 查看生成结果：

    • 生成的图像和注意力图将保存在指定的存储路径或通过OBS上传至云端存储桶。
    • 可以通过华为云控制台访问存储桶，下载或预览生成的图像。

步骤7：自动化与优化

  1. 设置自动化任务：

    • 可以使用华为云的自动化工具，如定时任务（FunctionGraph），设置定时自动运行图像编辑任务。

  2. 性能优化：

    • 根据实际需求，优化代码以减少计算时间和资源消耗。
    • 利用华为云的弹性伸缩功能，根据负载动态调整计算资源。

完整上云部署流程整合

结合上述上云部署步骤，以下为本文中提到的prompt2prompt图像编辑流程在华为云开发者空间的完整部署示例：

import torch
from diffusers import StableDiffusionPipeline, DDIMScheduler
from transformers import CLIPTextModel, CLIPTokenizer
from PIL import Image
import matplotlib.pyplot as plt
from diffusers.models.attention_processor import AttentionProcessor

# 自定义 Attention Processor
class Prompt2PromptAttentionProcessor(AttentionProcessor):
    def __init__(self, original_attention, edited_attention, replace_steps):
        super().__init__()
        self.original_attention = original_attention
        self.edited_attention = edited_attention
        self.replace_steps = replace_steps

    def __call__(self, attn, hidden_states, encoder_hidden_states=None, step=None, **kwargs):
        if step in self.replace_steps:
            return self.edited_attention[step]
        else:
            return self.original_attention[step]

# 加载预训练的 Stable Diffusion 模型
model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda" if torch.cuda.is_available() else "cpu"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

# 定义原始和编辑后的提示
original_prompt = "a big red car"
edited_prompt = "a big blue motorcycle"

# 生成原始图像
with torch.autocast(device):
    original_image = pipe(original_prompt).images[0]
original_image.save("original_car.png")

# 获取原始的交叉注意力图（假设方法存在）
original_attention_maps = pipe.unet.get_cross_attention_maps()

# 生成编辑后的交叉注意力图（假设方法存在）
with torch.autocast(device):
    edited_image_temp = pipe(edited_prompt).images[0]
edited_image_temp.save("edited_motorcycle_temp.png")
edited_attention_maps = pipe.unet.get_cross_attention_maps()

# 定义需要替换注意力图的步骤
replace_steps = [0, 1, 2, 3, 4, 5]  # 具体步骤根据模型的去噪步数调整

# 实例化 Attention Processor
attention_processor = Prompt2PromptAttentionProcessor(
    original_attention=original_attention_maps,
    edited_attention=edited_attention_maps,
    replace_steps=replace_steps
)

# 替换 UNet 中的注意力处理器
pipe.unet.set_attn_processor(attention_processor)

# 生成编辑后的图像
with torch.autocast(device):
    edited_image = pipe(edited_prompt).images[0]
edited_image.save("edited_motorcycle.png")

# 显示图像
plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.title("Original Image")
plt.imshow(original_image)
plt.axis("off")

plt.subplot(1, 2, 2)
plt.title("Edited Image")
plt.imshow(edited_image)
plt.axis("off")

plt.show()

完整部署说明：

  1. 上传代码到华为云开发者空间：确保上述代码上传至项目目录中，例如命名为prompt2prompt_edit.py。
  2. 配置环境依赖：在项目的终端中运行安装依赖的命令，确保所有必要的库已安装。
  3. 运行代码：执行python prompt2prompt_edit.py，监控任务执行情况。
  4. 查看结果：生成的图像将保存在项目目录中，也可通过配置上传至华为云OBS，便于访问和管理。

注意事项：

  • 获取和替换交叉注意力图：当前 Hugging Face Diffusers 库可能不直接支持get_cross_attention_maps和set_attn_processor方法。要实现这些功能，可能需要深入了解模型的内部结构，进行自定义修改，或使用钩子（hooks）捕获注意力图。
  • 步骤数（replace_steps） ：替换注意力图的具体步骤取决于扩散模型的去噪步数。通常，初始几步决定了图像的整体布局，因此可以选择替换这些早期步骤的注意力图。
  • 性能优化：替换交叉注意力图可能会增加计算开销，建议在拥有强大计算资源（如GPU）的环境下运行。华为云提供的GPU实例可以显著提升处理速度。
  • 存储管理：合理配置和管理云端存储，确保生成的图像和注意力图文件有序存储，便于后续访问和使用。

代码解析

为了更好地理解prompt2prompt的工作原理，以下将结合具体代码示例进行解析。我们将使用Hugging Face Diffusers库中的实现作为参考，并展示如何在华为云开发者空间进行部署。

Prompt-to-Prompt 的实现

以下是使用Hugging Face Diffusers库实现prompt2prompt方法的详细步骤。我们将通过一个具体案例——将“红色汽车”编辑为“蓝色摩托车”——来说明整个过程。

环境准备

首先，确保已安装必要的库：

pip install diffusers transformers torch

导入库

import torch
from diffusers import StableDiffusionPipeline, DDIMScheduler
from transformers import CLIPTextModel, CLIPTokenizer
from PIL import Image
import matplotlib.pyplot as plt

加载预训练模型

# 加载预训练的 Stable Diffusion 模型
model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda" if torch.cuda.is_available() else "cpu"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

定义原始和编辑后的提示

original_prompt = "a big red car"
edited_prompt = "a big blue motorcycle"

生成原始图像并保存交叉注意力图

在实际应用中，Stable Diffusion 模型的内部实现部分可能会保存交叉注意力图（cross attention maps）。以下示例假设我们能够访问这些注意力图。

# 生成原始图像
with torch.autocast(device):
    original_image = pipe(original_prompt).images[0]
original_image.save("original_car.png")

# 获取原始的交叉注意力图
# 注意：实际代码中需要修改模型以保存注意力图，这里假设模型有此功能
original_attention_maps = pipe.unet.get_cross_attention_maps()

注意：当前 Hugging Face Diffusers 库可能不直接支持获取交叉注意力图。要实现该功能，需自定义 UNet 类或利用钩子（hooks）来捕获注意力图。

修改提示并替换交叉注意力图

# 生成编辑后的交叉注意力图
with torch.autocast(device):
    edited_image_temp = pipe(edited_prompt).images[0]
edited_image_temp.save("edited_motorcycle_temp.png")

# 获取编辑后的交叉注意力图
edited_attention_maps = pipe.unet.get_cross_attention_maps()

实现 Attention Control

我们需要创建一个自定义的 Attention Processor 来替换生成过程中的注意力图。

from diffusers.models.attention_processor import AttentionProcessor

class Prompt2PromptAttentionProcessor(AttentionProcessor):
    def __init__(self, original_attention, edited_attention, replace_steps):
        super().__init__()
        self.original_attention = original_attention
        self.edited_attention = edited_attention
        self.replace_steps = replace_steps

    def __call__(self, attn, hidden_states, encoder_hidden_states=None, step=None, **kwargs):
        if step in self.replace_steps:
            # 替换为编辑后的注意力图
            return self.edited_attention[step]
        else:
            # 保持原始注意力图
            return self.original_attention[step]

注册自定义的 Attention Processor

# 定义需要替换注意力图的步骤
replace_steps = [0, 1, 2, 3, 4, 5]  # 具体步骤根据模型的去噪步数调整

# 实例化 Attention Processor
attention_processor = Prompt2PromptAttentionProcessor(
    original_attention=original_attention_maps,
    edited_attention=edited_attention_maps,
    replace_steps=replace_steps
)

# 替换 UNet 中的注意力处理器
pipe.unet.set_attn_processor(attention_processor)

注意：上述代码中的get_cross_attention_maps和set_attn_processor方法需要根据实际模型实现进行调整。Hugging Face Diffusers库目前可能尚未直接支持这些操作，您可能需要自定义模型或利用钩子（hooks）来实现。

生成编辑后的图像

# 生成编辑后的图像
with torch.autocast(device):
    edited_image = pipe(edited_prompt).images[0]
edited_image.save("edited_motorcycle.png")

# 显示图像
plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.title("Original Image")
plt.imshow(original_image)
plt.axis("off")

plt.subplot(1, 2, 2)
plt.title("Edited Image")
plt.imshow(edited_image)
plt.axis("off")

plt.show()

完整代码示例

以下是整合上述步骤的完整代码示例：

import torch
from diffusers import StableDiffusionPipeline, DDIMScheduler
from transformers import CLIPTextModel, CLIPTokenizer
from PIL import Image
import matplotlib.pyplot as plt
from diffusers.models.attention_processor import AttentionProcessor

# 自定义 Attention Processor
class Prompt2PromptAttentionProcessor(AttentionProcessor):
    def __init__(self, original_attention, edited_attention, replace_steps):
        super().__init__()
        self.original_attention = original_attention
        self.edited_attention = edited_attention
        self.replace_steps = replace_steps

    def __call__(self, attn, hidden_states, encoder_hidden_states=None, step=None, **kwargs):
        if step in self.replace_steps:
            return self.edited_attention[step]
        else:
            return self.original_attention[step]

# 加载预训练的 Stable Diffusion 模型
model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda" if torch.cuda.is_available() else "cpu"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

# 定义原始和编辑后的提示
original_prompt = "a big red car"
edited_prompt = "a big blue motorcycle"

# 生成原始图像
with torch.autocast(device):
    original_image = pipe(original_prompt).images[0]
original_image.save("original_car.png")

# 获取原始的交叉注意力图（假设方法存在）
original_attention_maps = pipe.unet.get_cross_attention_maps()

# 生成编辑后的交叉注意力图（假设方法存在）
with torch.autocast(device):
    edited_image_temp = pipe(edited_prompt).images[0]
edited_image_temp.save("edited_motorcycle_temp.png")
edited_attention_maps = pipe.unet.get_cross_attention_maps()

# 定义需要替换注意力图的步骤
replace_steps = [0, 1, 2, 3, 4, 5]  # 具体步骤根据模型的去噪步数调整

# 实例化 Attention Processor
attention_processor = Prompt2PromptAttentionProcessor(
    original_attention=original_attention_maps,
    edited_attention=edited_attention_maps,
    replace_steps=replace_steps
)

# 替换 UNet 中的注意力处理器
pipe.unet.set_attn_processor(attention_processor)

# 生成编辑后的图像
with torch.autocast(device):
    edited_image = pipe(edited_prompt).images[0]
edited_image.save("edited_motorcycle.png")

# 显示图像
plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.title("Original Image")
plt.imshow(original_image)
plt.axis("off")

plt.subplot(1, 2, 2)
plt.title("Edited Image")
plt.imshow(edited_image)
plt.axis("off")

plt.show()

重要说明：

  1. 获取和替换交叉注意力图：当前 Hugging Face Diffusers 库可能不直接支持get_cross_attention_maps和set_attn_processor方法。要实现这些功能，您需要深入了解模型的内部结构，并可能需要自定义模型类或使用钩子（hooks）来捕获和替换注意力图。
  2. 步骤数（replace_steps） ：替换注意力图的具体步骤取决于扩散模型的去噪步数。通常，初始几步决定了图像的整体布局，因此可以选择替换这些早期步骤的注意力图。
  3. 性能优化：替换交叉注意力图可能会增加计算开销，建议在拥有强大计算资源（如GPU）的环境下运行。

具体案例：从“红色汽车”到“蓝色摩托车”的编辑

通过具体案例，可以更直观地理解prompt2prompt的工作流程。以下以将“红色汽车”编辑为“蓝色摩托车”为例，展示整个过程。

步骤1：生成原始图像

original_prompt = "a big red car"
with torch.autocast(device):
    original_image = pipe(original_prompt).images[0]
original_image.save("original_car.png")

结果：

4b89573cbee1f6de201d36ca1929e15.png

图1：原始图像 - 一辆大红色的汽车。

步骤2：保存原始交叉注意力图

original_attention_maps = pipe.unet.get_cross_attention_maps()

说明：这一步假设模型提供了获取交叉注意力图的方法。在实际应用中，您可能需要通过修改模型代码或使用钩子（hooks）来捕获注意力图。

步骤3：修改提示并生成编辑后的交叉注意力图

edited_prompt = "a big blue motorcycle"
with torch.autocast(device):
    edited_image_temp = pipe(edited_prompt).images[0]
edited_image_temp.save("edited_motorcycle_temp.png")

edited_attention_maps = pipe.unet.get_cross_attention_maps()

说明：这生成了编辑后的交叉注意力图，但未保存最终的编辑图像。这些新的注意力图将在后续步骤中用于替换原始注意力图，以保持整体布局不变。

步骤4：注册自定义的 Attention Processor

replace_steps = [0, 1, 2, 3, 4, 5]  # 早期步骤通常影响整体布局

# 实例化 Attention Processor
attention_processor = Prompt2PromptAttentionProcessor(
    original_attention=original_attention_maps,
    edited_attention=edited_attention_maps,
    replace_steps=replace_steps
)

# 替换 UNet 中的注意力处理器
pipe.unet.set_attn_processor(attention_processor)

说明：通过实例化自定义的注意力处理器，并注册到模型中，实现了在指定步骤替换注意力图的功能。

步骤5：生成最终编辑后的图像

with torch.autocast(device):
    edited_image = pipe(edited_prompt).images[0]
edited_image.save("edited_motorcycle.png")

结果：

fe3b1ef70b62a03de93e4a1cd885d6e.png

图2：编辑后的图像 - 保持原始构图，将红色汽车替换为蓝色摩托车。

通过上述步骤，可以观察到尽管文本提示发生了显著变化，图像的整体布局和背景元素得以保持不变，实现了高效且精准的图像编辑。

真实图像的编辑

在处理真实图像时，由于图像并非由扩散模型生成，因此无法直接获取其生成过程中的交叉注意力图。为解决这一问题，需要通过**反演（Inversion）**技术，将真实图像反推为扩散模型的起始噪声。这种方法通常包括以下步骤：

  1. 反推起始噪声：

    • 使用反演技术（如DDIM Inversion）将真实图像转换为扩散模型的起始噪声。

  2. 应用 prompt2prompt 进行编辑：

    • 使用修改后的提示和替换后的注意力图，生成编辑后的图像。

具体实现步骤

from diffusers import DDIMInverse

# 假设已定义一个 Inversion 方法
def invert_image(pipe, image):
    # 使用 DDIM Inversion 或其他 inversion 技术反推起始噪声
    initial_noise = DDIMInverse(pipe.unet, pipe.scheduler).invert(image)
    return initial_noise

# 反推起始噪声
real_image = Image.open("real_image.png").convert("RGB")
initial_noise = invert_image(pipe, real_image)

# 使用初始噪声生成编辑后的图像
with torch.autocast(device):
    edited_image = pipe(edited_prompt, init_noise=initial_noise).images[0]
edited_image.save("edited_real_image.png")

注意事项：

  • 反推技术的选择：DDIM Inversion是扩散模型中常用的反演技术，因其去噪过程是确定性的。
  • 反推质量：反推过程的准确性直接影响编辑结果的质量。当前的反推技术可能无法完全还原真实图像，导致编辑效果的局限性。
  • 计算资源：反推过程通常需要大量计算资源，建议在拥有强大GPU的环境下进行。

总结

Prompt-to-Prompt（prompt2prompt）  方法通过深入分析扩散模型中的交叉注意力机制，实现了在保持原始图像构图不变的前提下，基于纯文本的高效图像编辑。这一技术不仅简化了用户的操作流程，也大大提升了图像编辑的灵活性和精确性。通过替换或调整交叉注意力图，prompt2prompt 为图像生成与编辑领域带来了全新的思路和方法。

结合华为云开发者空间的云端部署，我们可以将这一图像编辑流程扩展到云端，利用华为云强大的计算资源和便捷的开发工具，实现高效的图像生成与编辑任务。未来，结合更先进的反推技术和更智能的注意力图处理方法，prompt2prompt 有望在更广泛的应用场景中发挥其潜力，推动图像编辑技术的进一步发展。

参考文献

相关链接

我正在参加【有奖征集 第34期】华为开发者空间一行代码快速上云，参与视频、文章投稿赢2000元开发者礼包
链接：https://bbs.huaweicloud.com/blogs/438987

【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com
开发者空间
  • 点赞
  • 收藏
  • 关注作者

评论（0）

0/1000
抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认 取消

加入云驻计划，成为创作者

  • 华为云周边好礼
  • 免费体验产品
  • 特殊身份标识
  • 线下官方门票
  • 内部专家零距离
  • 与10000+优质创作者共同成长
立即加入