那在上回我們建立了資料與關係的集合，但逐行看難以理解複雜的關係也很痛苦。那這回我們就要依靠上次的兩個 Edge Collection 進行圖像化，更快速且清楚地理解資料間的關係。

Arango DB 相對多數的圖資料庫，特殊的便是圖資料庫與傳統的資料庫並存。藉由分出 Document（資料）與 Edge（關係）兩種集合，分開負責不同的檔案型態，又能直接透過 Edge 進行跨集合的資料連接。那這期我們就先從最基礎的資料與關聯開始建立。

在建立相簿時，我們希望橫向擴張。又或者建立清單時，我們希望縱向的成長。這兩種形式呢，被稱作線性布局（Linear Layout）。那就讓我們來簡單看看常見的使用方式吧。

在上次我們透過 Canny 簡單的生成線搞，但在 ControlNet 中卻有各式各樣的邊緣探測模型，那這些模型又有哪些不同呢？

ControlNet 是對 Stable Diffusion 影響急劇的模型，概念是為生圖設立更多的限制，由於功能眾多我只以常用的為例，那這期為線搞生圖與骨架參考兩項，試著參考原圖生成相似的圖樣。

在圖像生成中，最重要的莫過於詠唱的咒語。那究竟如何透過賦予提詞讓生成更加符合預期呢？

在初期，AI 圖像生成有著許多瑕疵受人詬病，以及種種版權問題。然而其後續依舊蓬勃的發展，不斷的增強與改進，而發展最中心便是 Stable Diffusion，伴隨著越來越多開源的模型與插件，甚至於 Nov. 2023 提出能夠將圖片轉類似 gif 的動畫效果的新模型。那到底，Stable Diffusion 為何如此受歡迎又如何使用呢？

許多的 Python 套件或許停滯在特定版本，但由於套件衝突與其他程式，在不同版本間開發一直是場噩夢。雖然能夠依賴容器化解決，但不如 venv 好操作與變化。那麼，就讓我一探究竟吧。

在 Feb. 21, 2024，Google 正式推出 Gemini 系列的旁支開源模型 — Gemma 語言模型。那麼究竟其效果如何呢？是否適合作為免費的 LLM 結合自己的程式呢？