原文:https://mp.weixin.qq.com/s/RUljlo23iM1XCVizwg4rog

Bun：替代 Node.js 的全棧 JavaScript 神器，快速上手攻略來了！

bun是一個集JavaScript運行時、打包工具、測試運行器和包管理器于一體的高性能開發工具。簡單講，它用一個工具解決了JavaScript開發中的多種需求，且速度極快。適用人群：前端開發者、Node.js開發者

項目地址：https://github.com/oven-sh/bun

主要語言：Zig

stars: 81.2k

核心介紹

Bun 是一個面向 JavaScript 和 TypeScript 應用的一體化工具包，以單個可執行文件 bun 的形式發布。其核心是 Bun 運行時，這是一個快速的 JavaScript 運行時，旨在作為 Node.js 的直接替代品。它用 Zig 編寫，底層由 JavaScriptCore 驅動，能顯著減少啟動時間和內存使用。

主要功能

• 運行代碼：支持直接運行 TypeScript 和 JSX 文件，如 bun run index.tsx。
• 測試運行：內置測試運行器，可使用 bun test 運行測試。
• 腳本執行：能運行 package.json 中的腳本，例如 bun run start。
• 包管理：作為兼容 Node.js 的包管理器，可執行 bun install <pkg> 安裝包，bunx 執行包等操作。

安裝與升級

• 支持系統：支持 Linux（x64 & arm64）、macOS（x64 & Apple Silicon）和 Windows（x64）。
• 安裝方式：提供多種安裝方式，如使用安裝腳本、npm、Homebrew、Docker 等。
• 升級命令：使用 bun upgrade 升級到最新版本，bun upgrade --canary 升級到最新的 canary 版本。

優勢

• 高性能：啟動速度快，內存使用少，其內置工具比現有同類工具速度更快。
• 兼容性：可在現有的 Node.js 項目中使用，無需大量修改。
• 一體化：集運行時、測試運行器、腳本運行器和包管理器等多種功能于一身，減少了對眾多 node_modules 的依賴。

應用場景

• Web 開發：可用于構建各類 Web 應用，搭配 React、Next.js、Nuxt 等框架。
• 腳本編寫：執行自動化腳本、工具腳本等。
• 測試：運行單元測試、集成測試等。

詳細文檔與指南

倉庫提供了豐富的文檔和指南，涵蓋了從基礎介紹、安裝、快速入門到各種功能的詳細使用說明，例如：

• 快速鏈接：包含介紹、模板、CLI、運行時、包管理、打包器、測試運行器、包運行器和 API 等方面的詳細文檔鏈接。
• 指南：提供了二進制操作、生態系統集成、HTML 處理、HTTP 操作、安裝、進程管理、文件讀寫、運行時配置、流處理、測試、實用工具、WebSocket 和文件寫入等多個領域的使用指南。

??爆火！Diffusers庫帶你玩轉圖像、音頻和3D分子生成

項目地址：https://github.com/huggingface/diffusers

主要語言：Python

stars: 31.2k

核心功能

?? Diffusers 是用于生成圖像、音頻甚至分子 3D 結構的最先進預訓練擴散模型庫，是一個模塊化工具包，支持簡單推理和自定義擴散模型訓練。它有三個核心組件：

• 擴散管道：先進的擴散管道，只需幾行代碼即可運行推理。
• 噪聲調度器：可互換的噪聲調度器，能夠控制不同的擴散速度和輸出質量。
• 預訓練模型：預訓練的模型可作為構建塊，與調度器結合創建自己的端到端擴散系統。

優勢

• 注重可用性：設計理念強調可用性高于性能、簡單性高于便捷性、可定制性高于抽象性。
• 安裝便捷：支持通過 PyPI 或 Conda 在虛擬環境中安裝，同時對 Apple Silicon（M1/M2）也有相應支持。
• 使用簡單：提供快速入門示例，無論是使用預訓練模型生成圖像，還是構建自己的擴散系統都很容易上手。
• 文檔豐富：提供詳細的文檔，涵蓋教程、加載配置、推理管道、優化和訓練等方面，方便用戶學習和使用。
• 社區活躍：歡迎開源社區貢獻，提供貢獻指南和不同類型的貢獻機會，還有公共 Discord 頻道供交流。

安裝方式

推薦在虛擬環境中安裝，支持 PyTorch，提供了 pip 和 conda 兩種安裝方式：

• 使用 pip：pip install --upgrade diffusers[torch]
• 使用 conda：conda install -c conda-forge diffusers

對于 Apple Silicon（M1/M2），可參考 How to use Stable Diffusion in Apple Silicon 指南。

快速開始

• 使用預訓練模型生成圖像：可以使用 from_pretrained 方法加載預訓練擴散模型，輕松實現文本到圖像的生成。

from diffusers import DiffusionPipeline
import torch

pipeline = DiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5", torch_dtype=torch.float16)
pipeline.to("cuda")
pipeline("An image of a squirrel in Picasso style").images[0]

• 構建自己的擴散系統：也可以深入研究模型和調度器工具箱，構建自己的擴散系統。

from diffusers import DDPMScheduler, UNet2DModel
from PIL import Image
import torch

scheduler = DDPMScheduler.from_pretrained("google/ddpm-cat-256")
model = UNet2DModel.from_pretrained("google/ddpm-cat-256").to("cuda")
scheduler.set_timesteps(50)

sample_size = model.config.sample_size
noise = torch.randn((1, 3, sample_size, sample_size), device="cuda")
input = noise

for t in scheduler.timesteps:
    with torch.no_grad():
        noisy_residual = model(input, t).sample
        prev_noisy_sample = scheduler.step(noisy_residual, t, input).prev_sample
        input = prev_noisy_sample

image = (input / 2 + 0.5).clamp(0, 1)
image = image.cpu().permute(0, 2, 3, 1).numpy()[0]
image = Image.fromarray((image * 255).round().astype("uint8"))
image

文檔導航

• 教程：學習如何使用庫的最重要功能，如使用模型和調度器構建自己的擴散系統，以及訓練自己的擴散模型。
• 加載：指導如何加載和配置庫的所有組件（管道、模型和調度器），以及如何使用不同的調度器。
• 推理管道：指導如何使用管道進行不同的推理任務、批量生成、控制生成輸出和隨機性，以及如何為庫貢獻管道。
• 優化：指導如何優化擴散模型，使其運行更快并消耗更少的內存。
• 訓練：指導如何使用不同的訓練技術為不同的任務訓練擴散模型。

流行任務和管道

涵蓋了多種任務，如無條件圖像生成、文本到圖像、文本引導的圖像到圖像、文本引導的圖像修復、圖像變異和超分辨率等，并提供了相應的管道和 Hugging Face Hub 上的模型鏈接。

相關庫

有眾多流行的庫使用了 ?? Diffusers，如 microsoft/TaskMatrix、invoke-ai/InvokeAI 等，還有超過 14000 個其他優秀的 GitHub 倉庫也在使用。

應用場景

• 創意設計：可以根據文本描述生成各種風格的圖像，為設計師提供創意靈感，如生成廣告海報、藝術插畫等。
• 數據增強：在機器學習訓練中，通過生成不同的圖像、音頻等數據，增加訓練數據的多樣性，提高模型的泛化能力。
• 分子結構研究：生成分子的 3D 結構，幫助科研人員進行分子結構的分析和研究。
• 娛樂行業：用于游戲、動漫等領域的內容創作，如生成游戲角色、場景等。