Stable Diffusion -- 訓練LoRA（四）
閱讀時間約 7 分鐘
前言
接續上一篇：
Stable Diffusion -- 訓練LoRA（三）
，我們開始用準備好的訓練素材圖跟規範圖來烘焙我們的LoRA。
訓練
我們開始使用另一個Colab頁面來執行真正的訓練步驟：
這個版本的Colab訓練頁面多了一些與規範圖相關的功能，在執行訓練前，我們要來指定素材圖與規範圖擺放的目錄。
先往下捲動到Extras區，找到Multiple folders in dataset這個區塊，將裡面的數值改成這樣：
custom_dataset = """
[[datasets]]
[[datasets.subsets]]
image_dir = "/content/drive/MyDrive/Loras/{專案目錄名}/dataset"
num_repeats = 10
[[datasets.subsets]]
image_dir = "/content/drive/MyDrive/Loras/{規範圖目錄名}/dataset"
is_reg = true
num_repeats = 1
"""
在這裡，專案目錄名就是你擺放的素材圖的地方，以我為例，就是XingBar30。
接著的num_repeats是每個素材圖會被訓練的次數，通常是總圖數乘上本數值要等於300到400。因為我的素材總共有30張，所以我選擇10這個數字，這樣每回合就會被訓練300次。
而規範圖目錄名則是你放置規範圖的目錄，在本例中我將男性圖片的規範圖放在Man這個目錄底下。
要注意的是，is_reg = true一定要放在規範圖這一小節的地方，否則訓練程式會認不出來，這樣訓練出來的LoRA會完全做不出你要的角色。
通通設定完之後就可以執行這個小節的程式。
這格執行完之後，我們就可以開始在Setup小節填入其他資料了。
project_name這邊填入專案目錄名，例如XingBar30。
training_model目前有三個選項，如果是動漫傾向的角色，可以用Anime這個模型，否則用AnyLoRA就好。以我個人三種都試過的經驗，影響似乎不大。
在Step步驟，我只有改變how_many到20或30回合。這樣可以得到品質更好的成果。
總訓練步數的計算方法是：
素材圖張數 X 每張訓練次數 X 總回合數。
以我的例子就是 30 X 10 X 30 = 9000。
最後是AI訓練參數，這邊作者有特別提到不同類型的模型需要不同的參數，我們訓練的LoRA的推薦參數是：
network_dim： 32
network_alpha： 16
其他則保持原樣。
一切都設定好之後，就可以按下執行，開始訓練LoRA了！
在執行紀錄裡面，請一定要確認Multiple folders in dataset裡面的設定有正確執行，你可以看到類似這樣的紀錄跑出來：
以我個人的經驗，Colab的GPU一個小時可以跑大約6000步，所以一個9000步的LoRA訓練可以在一個半小時之內跑完。
由於我時常使用Colab來跑這些東西，所以索性買了Colab的點數，通常訓練LoRA的時候，一個小時消耗2個點數，也就是說10美金的Colab點數100點，可以讓我們訓練50小時，算是蠻實惠的。
訓練出來的LoRA檔案，就在雲端硬碟的output目錄下，點下Done連結會自動打開該目錄，讓你可以下載。
常見錯誤
訓練最常出錯的地方，是沒有把素材圖跟規範圖放到正確的目錄下，使得程式找不到圖而停止。要是程式很快就停止了，請在Colab左側的欄位上點開檔案目錄，查看自己的檔案結構是不是類似這樣：
驗證
LoRA訓練完成之後，下載下來到/models/Lora/目錄，重開Automatic1111，在Lora標籤下按下Refresh，應該就能看到自己訓練的LoRA了。
要驗證自己的LoRA有沒有用，最簡單的就是用較低的權重直接產生一張圖，比較一下自己的素材圖，如果不像的話，試著調高權重到0.7再試試，如果還是不像，那就是訓練失敗了。
當確認LoRA有成功之後，接下來就要來比較同一角色不同版本的LoRA的成效，通常我們會使用X/Y/Z plot來做全面的比對。X/Y/Z plot的詳細用法請參考：
我最常用：
X軸：各種動作
Y軸：幾個常用的模型
Z軸：兩個不同版本的LoRA使用同樣的權重
比較不同的版本LoRA，來確定新版本更合你意。
確認了新版本LoRA表現更佳之後，就可以繼續用X/Y/Z plot來深入探究在各種模型上，最好的權重是多少，每個模型最適合的權重都有些不一樣，品質好的LoRA可以在高權重時，在不同模型上依舊產生特徵一樣的角色，而且同時不摧毀原模型的畫質。
在這邊，如果各種驗證步驟都沒有出什麼大問題，恭喜你，你已經烘焙好一個高品質，穩定的角色LoRA了！
結語
訓練LoRA是很吃耐心跟細心的，很多時候，就是素材圖或規範圖的圖樣不一致，或者素材的文字檔忘了刪除某些提示詞，於是角色特徵沒有正確融入這個LoRA，一切就要從頭再訓練。但是當你正確產生了第一個高品質LoRA之後，依照同樣的步驟，就能一遍又一遍將你夢想中的角色製作出來，用在任何模型上！這種成就感是非常讓人滿足的。
祝大家算圖愉快！
LoRA目錄：
為什麼會看到廣告
留言0
查看全部
你可能也想看
Google News 追蹤
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
本系列將討論 LLM 時代中，分散 ML workload 的各種方法。作為系列的第一篇，我們將提及 High-level 的概論，譬如分散式訓練的各種切法、Model Parallelism 的相依問題，以及改善 Network Topology 等課題。
本篇文章介紹如何使用PyTorch構建和訓練圖神經網絡（GNN），並使用Cora資料集進行節點分類任務。通過模型架構的逐步優化，包括引入批量標準化和獨立的消息傳遞層，調整Dropout和聚合函數，顯著提高了模型的分類準確率。實驗結果表明，經過優化的GNN模型在處理圖結構數據具有強大的性能和應用潛力。
呈上篇介紹如何訓練模型，此篇就主要介紹如何利用訓練好的模型來生成圖片
[深度學習][Python]DCGAN訓練生成手寫阿拉伯數字_生成篇
生成的結果
生成的圖片大小會根據，當初設置的生成器輸出大小來決定，當你使用生成對抗網絡（GAN）生成圖像時，生成器模型的最後一層通常會決定生成圖
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧我們在AI說書 - 從0開始 - 7，已經完成Colab Python環境配置。
針對Attention Layer的程式配置為：
start_time =
試著去訓練 LoRA 幾次後，發現一些有趣的問題... ㄜ~技術問題後面再說好了，先分享最近訓練的 LoRA YunQiuWaterColor 一個類似水彩畫風的 LoRA。
以下來欣賞幾張圖片吧!
在第一篇我講到一開始的圖像風格轉換，每產生一張圖片都得重新訓練，這對於使用上難免綁手綁腳，所以理所當然的下一步就是要解決這個問題，看看能不能只要訓練一次，就可以重複使用。
最近在試著用 Tensor Art 訓練 LoRA，老實說，成功率...不太高，或許是我挑選訓練圖片的問題。
但訓練出來，可以給別人用(雖然根本也就是我自己用)，就感覺蠻有意思的!
最近，又訓練了一個亂塗鴉的 LoRA(YunQiuLineArt01)，我覺得還蠻有趣的，分享給您。
大叔最近在研究如何使用 TensorArt 來訓練自己的 LoRA 模型，昨晚終於測試成功了，太令人感動了，有興趣的話，請您也來試試大叔的手繪風格 LoRA YunQiuStyleColor 吧!
紐約時報報導，OpenAI使用了自家的Whisper 轉錄 100 萬個小時的 YouTube 影片作為訓練模型資料。Meta正在討論即使被起訴，也要使用受版權保護的作品來作為模型訓練資料。幾大模型開發者目前都同樣遭遇了「優質訓練資料」不足的困近的困境，而必須走入灰色地帶來支持模型的開發。
參加Leetcode的30 Days of Pandas挑戰，除了是學習的機會，更是練習熟悉pandas功能的機會。文章分享了挑戰簡介、題目描述、關鍵技術以及參加挑戰的心得。適合新手學習pandas，也可提升熟練度。
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
本系列將討論 LLM 時代中，分散 ML workload 的各種方法。作為系列的第一篇，我們將提及 High-level 的概論，譬如分散式訓練的各種切法、Model Parallelism 的相依問題，以及改善 Network Topology 等課題。
本篇文章介紹如何使用PyTorch構建和訓練圖神經網絡（GNN），並使用Cora資料集進行節點分類任務。通過模型架構的逐步優化，包括引入批量標準化和獨立的消息傳遞層，調整Dropout和聚合函數，顯著提高了模型的分類準確率。實驗結果表明，經過優化的GNN模型在處理圖結構數據具有強大的性能和應用潛力。
呈上篇介紹如何訓練模型，此篇就主要介紹如何利用訓練好的模型來生成圖片
[深度學習][Python]DCGAN訓練生成手寫阿拉伯數字_生成篇
生成的結果
生成的圖片大小會根據，當初設置的生成器輸出大小來決定，當你使用生成對抗網絡（GAN）生成圖像時，生成器模型的最後一層通常會決定生成圖
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧我們在AI說書 - 從0開始 - 7，已經完成Colab Python環境配置。
針對Attention Layer的程式配置為：
start_time =
試著去訓練 LoRA 幾次後，發現一些有趣的問題... ㄜ~技術問題後面再說好了，先分享最近訓練的 LoRA YunQiuWaterColor 一個類似水彩畫風的 LoRA。
以下來欣賞幾張圖片吧!
在第一篇我講到一開始的圖像風格轉換，每產生一張圖片都得重新訓練，這對於使用上難免綁手綁腳，所以理所當然的下一步就是要解決這個問題，看看能不能只要訓練一次，就可以重複使用。
最近在試著用 Tensor Art 訓練 LoRA，老實說，成功率...不太高，或許是我挑選訓練圖片的問題。
但訓練出來，可以給別人用(雖然根本也就是我自己用)，就感覺蠻有意思的!
最近，又訓練了一個亂塗鴉的 LoRA(YunQiuLineArt01)，我覺得還蠻有趣的，分享給您。
大叔最近在研究如何使用 TensorArt 來訓練自己的 LoRA 模型，昨晚終於測試成功了，太令人感動了，有興趣的話，請您也來試試大叔的手繪風格 LoRA YunQiuStyleColor 吧!
紐約時報報導，OpenAI使用了自家的Whisper 轉錄 100 萬個小時的 YouTube 影片作為訓練模型資料。Meta正在討論即使被起訴，也要使用受版權保護的作品來作為模型訓練資料。幾大模型開發者目前都同樣遭遇了「優質訓練資料」不足的困近的困境，而必須走入灰色地帶來支持模型的開發。
參加Leetcode的30 Days of Pandas挑戰，除了是學習的機會，更是練習熟悉pandas功能的機會。文章分享了挑戰簡介、題目描述、關鍵技術以及參加挑戰的心得。適合新手學習pandas，也可提升熟練度。