靠著LoRA加上天時地利，就可能跑出驚喜等級的圖
上一回： Stable Diffusion -- 訓練LoRA（一）
前言
這次要介紹的LoRA訓練法，特別適用於下列對象：- nVidia顯卡不夠高級，跑不動訓練程序
- 根本不是nVidia的使用者，Stable Diffusion的訓練程序不支援
- 不想花錢花電力花顯卡時間訓練
更新
由於該頁面的作者更新了整個架構，因此本章節的步驟不再有效，請移駕
下面的文章保留作為存檔。
第一步，上傳訓練圖：
首先，你必須登入Google，進入Google雲端硬碟。
然後，創建一個多層的資料夾，根據你的LoRA的名稱，格式是：
我的雲端硬碟 -> Loras -> <專案名稱> -> dataset以下是舊版的路徑，已經不再使用：
我的雲端硬碟 -> lora_training -> datasets -> <專案名稱>
以我為例，我創建的路徑為：
我的雲端硬碟 -> Loras -> Vallaria -> dataset以下是舊版的路徑，已經不再使用：
我的雲端硬碟 -> lora_training -> datasets -> Vallaria
之後，將 Stable Diffusion -- 訓練LoRA（一） 製作好的訓練圖以及提示詞文檔全部上傳到這個目錄裡面，結果會像下圖一樣：
雲端硬碟的目錄結構會長得像這樣：
第二步，使用Colab訓練：
訓練素材準備好之後，就可以打開Colab頁面來訓練了。
首先，登入這個頁面：
https://colab.research.google.com/github/hollowstrawberry/kohya-colab/blob/main/Lora_Trainer.ipynb
裡面有幾個欄位要填寫，需要修改的有這幾個：
project_name： 等同於你放在Google雲端硬碟的目錄名，以我為例這裡是Vallaria
training_model：有兩個原始模組可以挑選，如果要用在動畫圖片上可用Anime，否則選Photorealism。我自己是用Photorealism訓練，用在動畫類的模組上也沒啥問題。
- num_repeats：每張圖被訓練的次數，這邊我選10
- training_unit：我選擇Epochs
- how_many：我選擇20
- train_batch_size：同時訓練的圖的數量，通常是2
- 其他參數保持不變即可。
在這邊你要依照你的訓練圖的數量來決定num_repeats的數量，有一個算式是：
訓練圖總數 X 每張訓練步數 X Epochs數量 = 總訓練數。
以我的20張訓練圖為例：
20張 X 10步 X 20個Epochs = 4000。
這個數字要超過4000，這樣LoRA的品質才會好，而通常低於6000，免得Colab的每日免費時數被用完。
當訓練數量低於2000，出來的LoRA非常難看，角色的特徵能被抓出來，但是成品的臉型邊緣會一團模糊，更細部的特徵例如雀斑、膚色會大面積不穩定在臉上擴散。當訓練數量到達3000以後，大部分的品質會趨於穩定，但是眼睛的特徵會過於模糊，使得人物的神色委靡。直到了4000以上的LoRA才能拿來用。
當一切都設定好之後，就可以按下左邊的開始圖示跑訓練了！
剛開始跑的時候，程式會要求你授權，讓它能存取你的Google雲端硬碟，請記得要允許。
如果一切正常的話，你就會在這區塊的最下方看到系統跑訓練的log了！
通常需要十到二十分鐘才能跑完。
當訓練完成後會出現連結，但其實，成果檔案就在你的雲端硬碟的目錄上：
我的雲端硬碟 -> Loras -> <專案名稱> -> output你會在這個目錄上看到不只一個safetensors檔案，數字最大的那個就是最後訓練的成果LoRA檔案了。
就這樣，你已經輕鬆烘焙出你自己的LoRA了！
恭喜你，完成了！
是時候把你的LoRA模組放到stable-diffusion-webui的models/Lora目錄裡面，然後重開整個webui，就能看見它出現在Lora標籤下了，馬上用它來生出你想要的角色圖，驗證並同時犒賞犒賞自己吧！
我把用同一個LoRA跑出來的圖都放在 敬業的外拍Cosplayer -- Stable Diffusion繪製 裡面了，有興趣就看一下成果吧，你會發現角色的五官特徵大致上是一致的。
附註：有些真人向模型因為額外訓練素材的偏好，出來的女角色都會有強烈的髮色與瞳色偏好，權重不夠高的LoRA還無法直接蓋過，但LoRA權重過高又會影響整個畫風，這種情況下必須使用提示詞強制改變髮色與瞳色。
不論是哪種髮型跟服裝，你都能清楚看見角色的特徵是一致的。
LoRA目錄：
- Stable Diffusion -- 如何使用LoRA
- Stable Diffusion -- 訓練LoRA（一）
- Stable Diffusion -- 訓練LoRA（二）
- Stable Diffusion -- 訓練LoRA（三）
- Stable Diffusion -- 訓練LoRA（四）
- Stable Diffusion -- 訓練LoRA（五）