经常有朋友问我,训练老老最低需要什么显卡,其实与急用最低配置的显卡跑模型,一个模型跑四到五个小时,还不如试一下利布利布这款线上训练模型的工具,不光能够一键处理训练级和标签,还有各种预设好的参数,让你 从容炼丹,而且训练的速度特别快,甚至堪比最近被禁售的四零九零。那么这个视频就带领大家使用这个工具,从头训练一个劳尔模型。首先看一下整个训练期,整体上他的色彩感觉都非常的丰富,光感其实是非常强烈,所以这个模型打算做到的效果就是让你正常的画面里有这种光的感觉。 然后来到利布利布的首页,在上面找到训练,我的 lower 在这里啊上传我们的训练素材,上传完成之后要先在这里选择图片尺寸,他会自动的帮你裁切,然后在这里需要我们写一个模型的出发词,我们就写一个拼音的炫彩就可以,他这 这里一定要是一个你自己创的词,然后填写完之后在这边呢点击预处理,然后我们可以点开图片看一看,看他给我们打的标签是怎么样的。这一步呢就需要我们将这些自动打的标签做一个处理,也就是说我们想让画面保留什么元素,所以要在标签这里删除某些元素。 如果你英文不好的话,其实也不要紧,你可以用微信的截图,截完图之后在这里点击翻译,微信就会自动的把这些英文然后翻译成中文,然后我们看一下哪些是跟我们想保留的特征相关,然后就把那些特征相关的词给他删掉,比如说这个青粒子,还有这个发光的,以 这种闪光,我觉得都可以删掉。然后这张图片的标签处理完成之后,可以点击箭头到下一张标签。全部处理完之后呢,在左边可以看到有一些预设好的参数,有人像或者 acg, 或者是画风相关,那我们只用自定义 的参数,像这种画风相关的模型训练,尽量选择这个基础算法一点五的底膜,然后打开这个专业设置,前面这块默认就可以,然后接下来往下啊,在提示词这里我可以写上我写的川词,比如说炫彩,他是美颜轮保存几个模型,因为上面呢我设置的是一共训练二十轮, 所以说这一次呢,我想让他每两轮保存一个模型,就说一共会产生十个模型。然后学习率这块的设置呢,我们要看着优化器来设置, 比如说优化器选择烂的话,那其实学习率可以稍微低一点,比如说可以五个零,一个四,然后文本编码学习率呢,可以是 unit 学习率的十分之一到五分 之一之间,这个时候是值得小心,你老二模型的那种繁华性其实也就越好一些。然后下面的学习率调动器就保持他默认的这个云旋重启就很好,他这里的网络 法可以是网络大小,也就是 d i m 的一半,他 d i m 是一一百二十八,所以说阿拉法我给了六十四,然后在这里需要我们将这个数设置为一,也就是设置我们的出发词,然后在下面呢最大的投感长度,他默认是一百五,其实我的训练级里面的 tag 他有可能会比较长,所以说我选择二二五。 然后噪声设置的话,像这样子多分辨率噪声,还有这个噪声的衰减率,这里的参数按这样的设置的话,可以让你的模型生成的图片更加有黑白灰的层次感。参数都设置完成之后呢,可以回到这个页面,然后直接的可以点击开始训练,然后就会跳到一个专门训练 lower 的界面, 在这里可以很清晰的看到劳尔训练的进程,以及各个劳尔模型训练好之后生成的效果图。等待所有的模型都训练好之后,回到利布利布的生图页面进行劳尔模型的测试。首先呢写上一些描述性的正体式词,一定要写上我们的出发词, 附体日词呢,就用一些通用的模板就可以,然后在 lower 这里找到我的训练,然后就能看到我们刚才训练的所有的模型。一般来说最后几个批次生产的图片会更加的好,所以我选择最后一个生产的 lower, 然后它的权重是零点八,然后简单的调一下参数,可以开一个高清修复, 把它的尺寸的比例一定要给他调整到位。然后我们点击生成,看到生成的图片呢,他就非常的有训练集里面图片的那种感觉,首先他就是颜色非常丰富,画面的光感非常的强,然后我们可以换另一组词看一下效果, 可以看到生成的图片呢,依然是色彩非常的丰富,然后这些是我生成的其他的图片,可以看到整体的风格都是很统一的,就是这种颜色非常的丰富。然后回到 lora 训练的页面,可以点击你刚才使用的这个 lora, 然后点击发布,也新建一个 lora, 填写一下关于模型的一些信息,以及 及上传模型的一些封面图片,就可以点击发布,那这样子一个拉网模型就能够被训练好了。以上就是训练一个模型的全部过程啊,想体验这款工具的可以在浏览器搜索力步力步点 ai 即可找到 前在公测期间是限时免费的,你可以免费的领取七天会员,体验一边在本地跑图,一边在语音上炼丹的快感。
粉丝2.2万获赞17.7万

我是真的发现有很多人都不会学习,就拿训练 lora 来说吧,有一个学生想要训练这种衣服类型的 lora, 但是他实在是不懂这些参数该怎么样子的设置,后来就找到我,我一听啊,这些东西还需要自己想吗?这种参数我们找点成功案例抄一下不就行了吗?所以本条视频主要是来讲解如何看懂每一个 lower 的数据,而且将他们运用到实际的训练流程里。 首先借回刚才的话题,让我们先来看这一个 j k 服装的 laura, 鼠标放到它上面的时候,会发现上面有一个红点, 里面是一个感叹号,我们点击他的话,就能够看到 laura 训练时候的各种参数。通过第一个参数我们就可以看到他训练这个 laura 的底模是这个 stable diffusion 一杠五的模型, 然后它这一块的参数,它也就是你 lower 训练包里的这个位置的参数, 比如说他这里是七六八乘以七六八,那这个地方也是七六八乘以七六八。而且我们要知道他这个地方的参数呢,他并不等于你每一张训练集里面的图片的大小,真正的训练集里面图片的大小 我们在后面会提到,然后他下一个训练的参数是等同于训练集里面图片的张数乘以每一张图片训练的次数, 训练节里面图片的总数。这个地方大家都很好理解他这里的每一张图片训练的次数,他是在这个位置,我们可以看到是有一个一百五,然后下划线比上一个 jk 制服,这个一百五就是每一张训练集里面的图片,他训练的次数,每张图片训练一百五十次,我们可以用计算器来计算一下,他这里是一四四零零除以每一张图片训练一百五十次,一百五 他等于九十六,就说他训练级里一共是有九十六张图片,我们可以往下接着看,他下面这一块的格式可以看出来都是左边是一个词,右边的是一个数字,中间是用冒号相连。他这一块的意思是说左边 左边的像这些什么,呃, jk 什么什么,还有白色的 jk 什么的,他这块是给这些训练集里面的图片打的标签, 右边呢是这个些标签,比如说这一个词,他一共出现了三十四次,因为我们刚才算出来,他整个的训练级是九十六,也就是说九十六张图片,他对应着九十六个不同的标签文件, 那也就是说这个词在九十六份标签文档当中出现了一共三十四次。那么下面这些词呢,都是可以用刚才的逻辑去推理, 比如说这个黑色的 jk 群,这个词一共出现了十次。我们继续往下看,这些都是给训练集里的图片打的标签。 呃,下面这个地方,这个地方的参数大家都很熟悉,他是说两张图片 一起进行训练,这个地方的参数就对应着训练包里面的这个参数,就是批量大小。然后我们往下看,这个地方他也是有一些像素或者说图片尺寸的设置, 那么这里的图片尺寸的设置跟我们最上面的看到这个地方七六八乘以七六八,这两个地方有什么不同呢?让我们回到这个训练包, 我们可以看到训练包里面是有一个训练图片的分辨率的正面一样一个设置,然而我们在处理自己的训练集的时候,有时候并不会把每一张训练集里面图片的尺寸设置的一样,也就是刚才我们看到的七六八乘七六八, 也可能会使用其他尺寸的图片进行训练,那么这个时候你的捞绕训练包就会将 将这种其他尺寸的图片进行一个处理好,让这种图片不至于过大。那么我们回过头来再看这一块的参数,像这一块的数据就是记录了你训练集里面其他尺寸的图片的情况, 比如说我们可以看到这里是六十四比上二五六,那就是说有一张图片的尺寸是宽六十四,高是二百五十六的一个尺寸, 然后下面有一个这个参数,然后他比了一个三百,这个意思是说像这个比例的图片, 他加起来一共训练了三百步,这是什么意思呢?由于我们刚才在这个地方就可以看到他其实每一张图片是训练了一百五十步,然后呢 刚才是在这里看到了三百步,所以我们可以用三百除以一百五就等于二,所以我们就可以知道这个尺寸的图片,他在样本集里面一共是两张,下面每一个参数都可以这样子进行理解, 然后这一块的参数他又可以在训练包的这个位置能够对应的上,然后可以看这里,这里我们可以看到有一个一百五,然后比上一个 jk 制服,下面是给了两个参数,一个是 repeat 一百五, 然后还有一个是图片的数量是九十六。呃,我们还记得我们刚才在最上面的这个地方计算过一个数,就是幺四四零零,除以一百五,正好是等于九十六吗? 所以说在刚才我们看到的这个地方,这个地方他就是说图片的总数是九十六张,每一张图片训练一百五十次, 这里就跟上面那块我们能够对应的上,然后下面的这些参数其实就是非常的简单,因为每一个参数我们都可以在训练包里面找的到,比如说这里有一个 cable 头跟子,他这里写的是无, 呃,那么在训练包里面他对应的就是这一块的选项。呃,无就是说零嘛,也就是说他这里没有一个特定的触发词, 如果你用过这款 lolo 的话,你就会记得它里面的出发词是非常非常多的。那么这些出发词呢,其实就是跟我们上面,我们在上面的这个地方看到的词是 是能够对应的上的,然后还可以再往下看,这里有一个最大的训练步数是七千二百步,然后就是我们每一次训练都觉得很难设置的一个学习率, 在这里也都能够看得到。比如他这里设置的就是零点零零零一,然后他文本的学习率,他是在这个地方设置的是五亿负五,然后在下面我们还可以看到他设置的优化器,他在训练包里面呢,对应的就是这一个。 如果你想训练一个服装类型的 laura, 为什么不去抄一些已经成功的 laura 的参数呢?因为这些参数已经能够得到验证了, 我们可以一开始根据这些已经成功的 lower 的参数进行一个训练,然后在第二遍训练的时候,可以根据训练的结果从这些上面 进行一个微调,这样子的话我觉得才能让我们训练的模型更加的优秀。其实不光是服装类型的 lower, 我们比如说训练人相关的 lower 的时候,也可以照抄他们相关的参数。 这个捞儿我觉得很神奇的地方就是他的 d m 的值设置成了一百十八,而这个模型的阿拉法的值同样的设置成了一百十八,但是这个模型的整体表现力其实还是不错的, 所以我是觉得从这些参数里面我们能够看到一些真的很有意思的地方,他能够打破我们常规的一些思路。那么以上呢,就是今天的全部内容了, 大家在训练 lower 的时候,真的可以参考一下这些 lower 的参数,作为自己设置参数的依据。

嗨,大家好,今天给大家介绍一下 sd xl laura 的一个模型的训练,这是我训练的一个京剧脸谱的一个啊, laura 给大家看一下是这个京剧,然后把这关掉,然后模型选,选择的是 sdxl 一点零的这个基础模型, 然后提示词,呃,一个骑着摩托的人,然后有一个这样的京剧的提示词,后边加了一个劳软,然后我们点击生成看一下 其他的参数,都是默认参数,呃,只是把这个画幅的比例调成了幺零二四,然后采样步数调了三十步,然后我们看一下下,看一下, 很快生成了一个霸王骑摩托的图片,因为我的训练素材只是呃上半身的,所以他上半身会比较 贴切一些,下半身就有点有点怪啊。这个,嗯,倒不是太大问题,就是如果你素材选的好的话,量足的话,这个还是比较好的。我给大家看一下我其他生成的图, 这,这些都是这个人的脸谱,这这这提示词是喝咖啡的,就是这些啊。那现在来给大家介绍一下怎么训练。 s d x l the laura, 呃,是,首先我们我们进入这个 hacking face, 找到这个,呃,可以啊, ss 这个,这个东西你找一个自己的方便的文档,然后我到 e 盘吧,因为我 f 盘已经安装过了,我可以直接考考过去。呃,我这样考过来, 你可以直接从这儿靠的下边的下载这个压缩包就可以,当然也可以通过 get color 命令复制复制,然后复制这条地址,然后那样 下载,不过我觉得直接从这下载压缩包就挺好,然后我会把这些压压缩包文件直接上传一个网盘给大家使用,然后我们已经解压,解压完,然后打开这个文档,打开以后我们然后找到下 下边的这个这个 set set up b a t 这个文档,然后双击运行, 双击启动以后他就啊进入这个窗口运行一段时间以后呢,我们就在这里边进行选择,首先是输入一 安装这个模块,然后再选择,我看啊是选输入二安装必要的这些要求的插件,然后他就开始啊下载安装了 这个插件呢,它是没有进度条的,所以,呃,所以需要等待一会一段时间, 这里就安装完了,然后他让你选择计算机环境什么呢?这些直接回车,接下来选择,这是在这个电脑运行,然后直接点回车, 然后第二个问题,选择五分步训练,直接点回车,然后选,呃问题是否只用 cpu 输入文章 回车,然后问问这,这也是选弄, 然后这个也是 no, 然后这个 是 all 回车,然后这个选择那个是,呃 运算方法,按上下键就可以选择,选择这个,如果你显卡 ok 的话,正常的话选择 b f 幺六,用上下键选择,然后点回车, 现在我们的选项就完了,然后我们直接选六退出就可以,现在就退出退出了,嗯,可以直接关掉这, 然后找到这个这个文档。呃, g o i b b a t 文件运行,这个文件双击运行, 运行运,运行以后呢会有一个呃网址,我们就是在这个网址里边做相关的设置,输入这个网址之后呢就开始一些参数的设置,首先是进入,我们点击这个这边的这个 laura, 然后 train, 然后下边的这个原模型这一块选择 custom 这一个板块,意思是直接在那个模型基础上进行进行训练,然后文件格式是 seven tenth tensers, 这个可是这个大家应该很常见了。然后这儿呢是选择一个基基础模型,也就是,呃, sd xl best 一点零这个模型,这样你的电脑里边应该已经装了,这个 是在也你的电脑里边应该已经装了。这个模型通常是放在我们的 stable diffusion 外部 ui the models the stable diffusion 的这个文件夹下, 找到以后点选,然后打开被练到,这就 ok。 呃,然后关于这个模型呢,是在哈根 face 上,我会把这个模型的下载地址以及这个模型这个下载这个文件夹,这个文件直接上传一个网盘给大家用。 回到啊模型训练界面,这选勾选好以后呢,这勾选这个 s, d, x, l model 选这块,那这个界面就设置完了,然后 接下来来到 noratos, 来到这个节,嗯,来到这个界面,呃,在这进行设置,首先是这个提提示关键词,然后我输入一个 picking, 然后这儿呢是一个类别的关键词,我输入了一个 picking。 一, 这是我们的那个素材的原素材图的一个文文档文件夹。呃,因为我们训练 s, s, d, x, l 嘛,所以这块儿我给大家看一下啊, 这个这个文档里边是我找的原,呃,一个十一张图片的一个原素材,就是各种规格的都有,我们训练 s, d, x, l 呢,需要幺零二四的图,所以我们需要把这些图裁切成 这个文档里边的这种规正的图,这个怎么裁切呢?就是之前我们用过一个网站,这个这个网站网站打你打开以后呢点选这, 然后就可以选择你的这个原文件,然后这样全选 全选,然后这样打开它就会上传,全部上传,上传以后在右侧设置你需要的一个像素大小,咱们是幺零二四,设置好以后呢,你还能因为有些是竖图吗?你还能选 框,选框,选一下你的这个需要的部分啊,这样框选一下,框选好以后, 点击这个保存为压缩文档就可以,这是这我们回到训练界面, 呃,这块就是我们的已经裁接好的幺零二四的原素材图,然后这是一个正则,正则图片,我们这块没有直接删掉。这,然后这是一个设设置,就是训练文文档文件夹,然后我们点选这 这个文件夹的意思是我们的训练的 laura 的所有的这种中间模型呀,素材图呀,就是整个项目的文件都在这里边, 我你可以随便建一个文件夹,这是我建的文件夹 s d x l lara picking 这个文档,然后点击点选,点选以后我们这边就可以了,然后我们就 就可以点击这个按钮,点选以后可以看到, 可以看到我们的这个后台界面,就是,呃,这一条的意思是已经把啊我们的那个原图拷拷贝到啊我们的这个项目文件夹下边,我们可以看一下 这是我们的这个文档,然后这个这个文件夹下边已经有了这些图, 而且这个文文档呢都是系统自自动建的,然后这个他是有一定命名规则的啊,这个十呢是指我们选的十步,然后这是我们的那个,嗯,关键词,然后这后边也是,所以这 这块的文件夹名字不要动啊,这是这回到训练界面,然后再点选这个,呃,考配信息到文档,点选以后,我们可以看一下,回到这个文档,然后看这个 分栏,下下拉的就会把我们的这个文档的信息,文件夹的信息都全部拷拷贝到这边。 这是啊,这这一部分的内容相当于我们对整个项目进行了一个管理,那接下来就是对参数的设置,到第三个了, 到第三个画下下拉栏里边啊,这个栏里边这这块都不用动,然后这这是一个训练。 呃,步数大小,这是四十一就行,一到二,然后越小他的精度越高,当然也对你的系统要求也就越高。这是一个,嗯, 一个轮数轮数,我们这可以选择十轮。啊,那我们刚才选了十步,这又是十轮,那我们十一张图就是一千一百 一,一千一百步啊,这不需要选,这个是保保存的频次,也就是这是我选的一是每一轮都要保存一次,那十轮就是保存会保存十个。 呃,训练的 lord 模型,嗯,然后下边的这些,这,这是我们勾选的 这个,这个啊叫什么? 勾选这个 bf 十六,就是这个,是这种计算方法吧。啊,然后这选择二,这不用管,然后勾选这个栏和这个栏都需要勾选一下,然后这是这是一个学习率,和 这的这个参数有关系,我们是我们选择这个,我们选择这个的话,这的一个参数要改成零点零零零四, 下边还有一些,呃,这个学习率的参数,把他们都调成一样的数值,这三学习率有三个数值,然后我们接着继续往下调 啊,这是没关系的,这是有一个啊,额外的这种要求参数可以加,也可以不加,然后我这准给大家准备了一下啊, 油画器额外参数,我们把复制一下,复制然后粘贴到这个位置, 然后处理的像素大小,这很关键,我们要调成我们需要的幺零二四,幺零二四, 调整好这以后,然后还有哪这需要勾选,这是默认的, 然后这需要 调成零,这儿呢需要调成这个 content content, 我这有有一个表,可以参照这个表来调,别漏掉。 继续往下看,然后学习率这个需要勾选上,这个呢?哈弗 v, 然后下边的,呃,这个参数需要调成六十四,呃,这个也是直接影响我们训练出模型的一个大小,这上面就调完了,调完了,然后 把这个高级设置这点开,点开,这里边需要勾选一个,嗯,把这个 扭勾选,勾选,那就可以,那我们的这些参数就就可以了,然后点击,点击这里边开始训练, 然后我们来到后台看一下,可以看到我们刚才所有设置的那些参数,在这都会有一个访显示, 可以看到现在已经开始训练了,这是,呃,第第一个,我们总共十一个图片,然后他一个一个来, 那我这就不给大家继续看下去了。呃,大概需要一个小时啊,我是一个三零六 六零的显卡,然后十一张图片,十步啊,十个循环,总共一千一一百步吧,我三零六零的显卡是差不多一个小时,我之前训练的这个时间, 然后我们给的我给大家看一下,就是训练出来他是一个什么样的文档,哦,是上次我是训练出这样,他会有一个,这是原图的一个 文档,就是我们原素材的文档,这是十个文档,然后这些是一些中间文件啊,这个不需要我们管。然后训练出来呢,是在这个 model, 然后这十个十个文档,一二三四四五六七八九这九个文档是一个中间文档,因为我们设置了每一每 每一个循环就会生成一个啊模型这种文件,然后然后这个是最终最终的一个文档复制到 的外 u i models 下边的 laura 复制到这儿,这也是我上的这个训练的模型, 京剧这个模型,这就是我训练的模型,复制到这就可以使用了,就是我片头的,嗯,我片头用到的这个 lower 就可以生成这样的一些图。感谢大家观看,如果我的内容对你有帮助,欢迎订阅、点赞评论,谢谢大。

今天来讲解下 lora 的训练。 lora 训练总共分为四步,一、准备数据级。二、训练参数配置。三、开始训练与 los 值。四、 lora 模型测试。一、数据级准备这些图片都是从网上找的,这次就以地法为例,找了不同角度的图, 收集完。需要注意的是,一、统一尺寸,建议五百一十二乘五百一十二以上,长宽需要是六十四的倍数,不要超过一千零二十四乘以一千零二十四二,不少于十五张的高质量图片。一般可以准备二十至五十张图,减少重复或相似度高的图片。 如果训练服装,五张图就行。三、图片主体内容清晰可变,特征明显,图片构图简单,避免其他杂乱元素。如果是人物照 能抠图,最好尽可能以脸部特写为主,多角度多表情,再放几张全身像。四、存储格式最好是 p n g, 因为 p n g 格式是一种无损格式,而 j p g 格式则是有损压缩的,会使原始图片数据质量下降。 所以如果使用制图类软件制作出来的文件,保存时选择保存 p n g 格式就会比 j p g 格式要清晰,但不是必须使用 p n g 调整尺寸,可以在 ps 里修改,特别是新的 beta 版,还可以在 berm 这个网站在线裁剪也特别方便,只需上传图片,手动裁剪就可以了。 二、数据及文件夹的命名训练及本质上是存储了一系列图片和图片标签的文件夹,当然文件夹也需要按照一定的规则进行命 明,每个文件夹都是以训练次数下划线标识符类别命名的,比如这样,训练次数关系到总的训练步数,总训练步数等于 image 图片数量乘以 repeat 每张图片训练步数乘 epic 训练轮次,再除以 bat 下划线 size 并行数量。 比如这样,意思是每张图训练八次,文件夹里有三十张图就是二百四十次,再乘以训练轮数时,最后除以 butch 下划线四 s 一就得出来了。总训练步数两千四百, 如果你的素材很少,前面的八可以改成十十五、二十等,甚至一百都可以保证训练步数在一千五百至五千之间,画风训练还可以再高一点。处理好了就开始打标签了,标签就是交给 ai, 这张图里有什么?换句话说就是让 ai 将画面与标签关联上。推荐安装 tiger 标签器插件,如果是秋叶的整合包,会自带 选择批处理。把数据级的路径粘贴到这里,设置标签文件输出目录预值设置为零点三到零点五,这里可以设置一个触发词,这样方便调用 laura。 最后点击这里开始打标签,打完标签就是这个样子的, 一张图片会配合一个标签文档。最后就是优化标签,标签其实不优化也可以保留全部标签,直接用于训练,一般在训练画风或想省市快速训练人物模型时使用。优化标签的话,装一个 data set tech editor 插件,这样会很方便。 把打完标签的数据及文件加路径复制过来, 这里就会出现所有标签。 这里可以增添标签, 还可以删除重复标签。 在下面勾选不想要的标签,然后可以直接删除, 最后在左上角保存一下。需要注意的是,一删除的 tag 会被固化在模型当中。二、如果是角色,建议只删除生理特征标签,保留着装、配饰、装备等。 比如训练干预角色要保留蓝色头发作为自带特征,那么就要将 bluehair 标签删除,以防止将基础模型中的 bluehair 引导到训练的 lora 上。 简单来说,删除了的标签就会将这个特征与训练的 lora 做绑定。如果想要该头发颜色可变,那么这个 bluehair 就不能删除。保留全部标签的优势是效率快,省时省力的训练出模型, 拟合度提高,且过拟合出现的情况是最低的。缺陷是风格会变化过大,太调用比较困难。删除部分特征标 签的优势是整合成少量的触发,磁太厚,调用方便,更精准还原角色。特征。缺陷是容易导致过拟盒,泛化性也会降低,如果标签删太多,会导致生成的画面非常固化。处理完标签后就可以进行参数设置了。 训练环境配置,我用的秋叶新出的训练整合包,基于 laura scripts, 具体的使用和功能介绍可以去 b 站搜索秋叶安装后在这里找到 a, 启动脚本,点 bat 文件,双击打开会自动进入训练用的 y b y, 这里可以选择新手模式, 这里是底膜的选择,想要练出来的 lora 会更通用。推荐官方模型 s d 一点五、二点零。如果使用的是融合模型,会仅仅在你训练的底膜上生成图片,拥有不错的效果,会失去通用性,这个可以自己抉择。 我这里选择的是官方的 sd 一点五的模型,把 sd 一点五模型放到这个 laura scripts 里面的 sd models 文件夹, 然后在底膜选择这里,选择这个模型, 这里填入数据及输入目录。可以在 laura scripts 下面的 train 文件夹里新建一个文件夹,比如建一个 images 的文件夹,把之前建立的数 数据及文件夹复制到这里,最后复制 images 文件夹的路径,粘贴到底膜选择这里。 训练图片分辨率就是一开始处理数据及时选择的尺寸,我当时用的五百一十二乘以七百六十八的尺寸,所以这里填写五百一十二乘以七百六十八。然后就是输出,设置了模型保存的名字,可以起一个合适的名字。 保存文件夹一般默认就行。每 n 轮自动保存一次模型,比如总轮数为十,如果设置为每两轮保存一次的话,就会保存 五个模型。接下来就是训练相关的了,最大训练 apex 数一般写五杠十批次,大小就是同时送进去训练的数据量,这个数值的大小和训练级大小有关,如果你的训练级有很多图片可以增加这个数值,每多加一个 大概多消耗一个 g 的显存。六 g 显存默认一就行,十二 g 显存最多可以到四,二十四 g 显存可以到六。较大的 betsys 往往会导致训练速度更快,内存占用更大,但收敛的慢需要更多。 ipad 数 较小的 batch size 往往会导致训练速度更慢,内存占用更小,但收敛的快需要更少。 apex 数收敛,意思是某一个值在往我们所期望的值靠近,比如这个图 los 一直从一点八往一点零降, 一点零就是我们期望的预值学习率与优化器设置,可以理解为训练时 ai 学习图片的速率,学习率大则训练得快,但是容易学的不够细致精确。 反之,学习率小则训练的慢,但是学的比较细致精确,太慢容易过拟核默认为一一负四,意思是十的负四次方,也就是零点零零零一。文本编码器学习率一般为 and at learning rate 的十分之一或者一半。 优化器设置默认会使用 adm w barbit, 在 adm w barbit 优化器时,学习率的设置默认就行。推荐优化器 line 搭配的学习率。 annet lr 等于七亿负五, text 下划线 encoder lr 等于八亿负六。一般来说按这个设置就没啥问题。接下 来是网络设置,网络维度代表模型的大小,数值越大模型越精细,常用四到一百二十八,如果设置为一百二十八, 则最终 low 模型大小为幺四四 m。 一般现在主流的 low 模型都是幺四四 m, 所以根据模型大小便可知道 the mension 设置的数值, 设置的小则生成的模型小。 network alpha 一般设置为比 network rank dimension 小或者相同。常用的便是 network rank 设置为一百二十八, network alpha 设置为六十四。最后这里别忘了选择一这些都设置了的话,就可以开始训练, 训练完后就是这个界面了。这是一个训练完成的界面,用时十七分钟,总共两千四百步。训练十轮,每两轮存储一个模型 last 值零点四五八。 红色框里的就是 last 值,这个 last 值只要不是太高了,不超过零点一五以上都可以。 last 值高不一定坏,低不一定好。我的经验是看 last 有没有随 epic 数在下降,在下降就对了,主要还是要在 stable diffusion 里测试一下,看下效果。 如果出现了 last, 等于难学习率太高了,造成模型无法正常收敛。最后一步就是 lower 模型的测试了,训练完后找出最适合的那个模型,哪个模型在哪个权重之下表现最佳。我们需要 根据不同的权重来生成一系列图来进行对比测试,以此来发现最优解。这时候我们就需要用到 x, y, z plut 脚本, 打开 stable diffusion, y, b, y 在 stable diffusion 模型里先加在 lora 模型训练时的底模型, lora 模型里加在一个刚才训练好的 lora 模型,如 twenty four 零幺零零零零八模型,填上一些必要的提示词和参数。 这时候我们把模型序号 number 和权重值 strength 这两个值设为变量下拉。在最下面的脚本中选择 x, y splot 脚本。 x 轴类型和 y 轴类型我们都选择提示词搜索替换 prompt s。 二、 x 轴值,输入 number 逗号和对应模型序号,注意以逗号隔开 y 轴值,输入 strength 逗号零点一到一。对应模型全种植 设置完毕后,点击生成,开始生成模型测试对比图, 这样一个基本的 laura 训练流程就结束了。

今天教大家训练自己女神的浪漫模型。首先我们需要一些女神的照片,基本要求是面部无遮挡,角度多样,精度越高越好。然后把图片放到这个批量采切的网站,让所有的图片规格统一,在右边可以设置图片的尺寸, 我这里是五百一十二乘五百一十二,然后调整一下图片的位置,就可以点击右边的 c 八, c c 就会把所有的图片都打包后下载下来。新建两个文件夹,一个音,一个二。把下载回来的图片放到一文件夹里面, 启动 stable diffusion, 选择训练,选择图片预处理,把图片的原函目标路径分别对应应和 out, 然后点击预处理就可以了, 你就会在二图文件夹里面看到这些图片。看文本,文本就是 ai 生成的图像 prompt ok, 到这里我们前期的准备工作就完成了,现在开始训练模型,我给大 大家的下载里面包含这两个文件。先安装第二个文件,也就是拍粉,因为我已经安装过,所以这里是这样的,提示你们安装的时候把所有的框都打勾就可以了,安装就是全程下一步就行了。然后打开这个文件夹,右键这个文件,选择使用 pose so 运行, 就会开始下载部署所需的运行环境,这里时间比较久,等一下 much much much later。 部署好以后,在这里新建一个村营的文件夹, 在这里新建一个静香的文件夹,在里面再新建一个同名文件夹,最前面加上数字六,代表我们要迭代六次。然后把刚刚凹出文件夹里的图片汉文本全部放进来,右键这个文件使用文本编辑器编辑。 这里的猫豆是底模型,选择一个你喜欢的就可以把底模型放到这个文件夹里面,注意文件名 一字,这个穿云 data 就是我们刚新建的竞相的文件夹,尺寸跟我们的图片保持一致最大。训练我们填二零 network game 我们选三十二,记住不是越大越好。真人模型我觉得六十四就很好了。 这里是你模型的名字,我选择 jacks, 其他的地方不要动,点保存。最后我们在这个文件上面点右键,选择 power, 稍运行就开始训练了。 much much much later 训练完成,你将会在这个文件夹里面看到你的模型,这些就是生成的模型了。 下一期教你们怎么用吧,看看我们半个小时跑出来的结果怎么样。

本期视频是教大家训练属于自己的 lol 模型。训练 lol 模型有两个重点步骤,第一步是准备训练要使用的图片,第二步是为这些图片打标,这两步比起训练的过程更为重要,因为训练的过程一旦开启,中途是没有办法做更改和干预的, 所以一定要在开始之前把准备工作做好,也就是准备优质的图片以及精准的 tag, 这样训练出来的结果才会好。本期视频我会把制作图片和 tag 讲的比较细一点,训练过程其实就是按照程序一步步执行,我会讲的比较粗一点。 当我们有了一个训练目标之后,我们就要准备图片,图片的数量通常建议二十到五十张,如果你想训练的更细致,最多可以用一百张图片。 在这个过程中一定要记住质量大于数量,因为不好的图片会干扰学习,最后的结果可能不是 ai 学会了,而是学废了。我们要将不好的图片去掉,比如模糊的动作、扭曲的脸部被遮挡等等。 甚至有一些背景比较复杂的图,我们需要为人物扣掉背景,添加一个白色背景,最好不要有太多同一个角度同一个表情的图片, 尤其在张数少的情况下,训练出来的 lol 了会有人物表情僵直的问题,最好能有面孔多角度、不同光影、不同表情、不同服装配件,让模型能够涵盖够多的情况。 准备好图片之后,我们要处理图片的尺寸,如果是以 stable defusion 一点几版本为基础来进行训练,图片需要用 五百一十二乘以五百一十二,如果是以 stable diffusion 两点几版本开始训练的话,图片的尺寸至少要七百六十八乘以七百六十八。 大家可以使用这个网站进行尺寸调整,网址我也会放在视频下方,他可以批量的进行尺寸的调整,然后打包下载。可以看到现在图片都是正方形的了,那第一步处理图片就完成了。 第二步我们要为这些图片打标,我们需要用到两个插件工具,第一个是 tiger, 第二个是 data set editor。 这两个插件我们要先进行安装, tiger 这个插件我们可以直接通过扩展这里的可下载列表进行安装。 ita set tag editor 我们可以通过链接下载,链接我也会放在视频下方。 安装好这两个插件后,我们要重启 vip u i 才可以使用。 我们先来通过 tech 为我们的图片生成 tech, 只需要填写输入目录和输出目录,它就会帮我们把图片的 tech 生成 text 文件。我通常的做法是让输入目录和输出目录一致,因为我们在训练的时候 是需要将图片和套等文本放在一个文件夹的,那在这一步就可以直接放在一起。我这里是通过 club 来运行 stable diffusion 文件是存储在网盘的,所以我会在网盘里面新建一个文件夹, 将裁剪好的图片放进去,然后我们来到 club 界面,通过 drive 下的 my drive 去找到图片文件所在的路径, 然后把路径复制粘贴到 ted 这里,输出也是这个路径,这边就会开始帮我们反推提示词执行完毕后,就可以在文件夹里看到每一个图片都有对应的一个 text 文件。 接下来我们要对这些 tag 进行整理,因为它识别出来的 tag 会有一些重复意思的单词,还有一些特征描述,我们需要进行删减。 我们打开 data set tag editor 插件面板最上方的保存备份按钮,我一般会把它去掉,因为我不想要不准确的 tag 文件保留在文件夹内,有可能会影响到之后训练数据的读取。 下方数据集的目录我这里也通过 carbona 边复制粘贴过来,点击加赞,就会把这些图片全部显示出来。右侧 的就是他们的 ted。 我们要进行批量处理,先删除重复的单词,点击 remove, 然后直接删除重复的词。 然后我们要删除一些属于人物特征的 ten, 比如人物的眼睛、眉毛、鼻子、嘴巴、头发长度等。这些代表人物本身的属性的,是要绑定在人物身上的,就要把它们删掉。可改变部分的 tag 需要保留,比如背景、衣服、动作、配件等等, 这些是可以改变的,那要通过 tag 标注出来,让程序知道这些是可替换的。这里的处理是很重要的。 这个插件还有一些其他功能,比如查找替换关键字等,大家可以自行体验。处理完之后,点击上方的保存, 就会更新到我们的数据及文件。接下来就要开始训练的步骤了。训练步骤我以 collab 为例,需要说明的一点是,本期视频中间的训练步骤可能与其他博主的不太一样,很多博主的教程是直接通过训练的程序来完成 type 生成, 但以我的使用经验,直接通过训练的程序来生成 tag, 最后的效果通常很让人失望,因为 tag 非常不精准,所以我是单独手动处理的 tag 就导致中间的训练步骤存在不一样的地方。 打开这个 gas up 链接,我们选择第一个就是用 dream boost 方法来训练 laura, 打开链接后,点击复制到云端网盘,然后检查一下我们的运行的类型是不是 gpu。 然后下面的步骤中一点一要勾选下面的 mount drive 按钮,然后点击运行,通常需要一两分钟。 这个页面看不懂的话也可以开启谷歌翻译,明白每一项的意思,可以更方便操作。 一点二不用直行,直接跳过二点幺,选择训练的基础模型,选择 stable defusion, 一点五就可以。 二点二是指如果不想用上面二点一下拉框里提供的那些模型,也可以选择其他的模型,粘贴 hot in face 或 sell it ai 上的链接就可以。那我这里不需要,不用执行,直接跳过, 然后二点三是选择 v a, 选择 stable defusion v a e, 然后运行,然后进入第三步。第 第三步其实就是准备训练数据,我们只需要运行三点一就可以了。三点一的意思是帮我们建立两个文件夹来存放数据,直接执行,然后会在左侧看到这两个目录。 三点二的意思就是说填写图片路径,让后面的程序帮我们生成 tag, 那这里我们是不需要的,所以三点二不执行跳过三月三日是可选项,不执行,跳过 四点一是处理不需要的数据格式,这个可以运行四点二。下面的四点二点一和四点二点二都是处理 cat, 这两个我们不需要操作, 我们直接把处理好的数据集全部上传到 transdate 文件夹里就可以。四点二点三也是 t a 的可选项,也不要运 行。接下来就进入到第五步,第五步主要是训练的一些参数设置。首先为我们的项目取一个名字,这个就是生成捞了文件时的文件名, 在下面要输入训练所需要的大模型文件路径,我们在左侧的文件夹下面找到路径粘贴过来,下面 y 的文件路径也直接复制粘贴过来。 五点一设置号,之后运行。五点二是训练的参数设置。第一项是指每张图片训练多少次,我这里设置十五,如果图片多的话可以设置低一点,下面的参数通常是不用改的,点击运行五点三,直接运行,不用修改。 五点四十训练的一些设置,如果是新手的话,这些参数大部分可以参考默认值。 一共训练多少轮,一般可以设置十轮,同时训练的数量我们可以填两,在下面有一个,每几轮保存一次数据,我们选择一就可以了。如果说你训练一百轮的话,这里可以设置高一点,然后下面的 click step, 如果是训练真人模型,建议填写一, 如果训练二次元,建议填写两,设置完毕后运行五点五,不用改动,直接运行,然后就等待训练结果。在这个过程中,程序会帮我们计算出训练总部数的,一般部署到三四千的话,效果会好一些。 考完之后,在 drive 里的 lower 文件加下的 output 里可以看到生成的 lower 文件,我们可以把这些模型文件全部下载下来去出图看效果。通常前几轮的文件选 觉得不太像,从中间第五轮、第六轮开始,可以体现一些人物的特征了,但并不一定是学到第十轮的效果是最好的,因为学到第十轮可能会学习过度导致过拟和。我们也可以通过调整落的权重来看结果的差异。 比如我这次的训练集比较少,人物的动作也比较单一,图片只有上半身,所以训练出来的 laura 也只有上半身,如果想出全身图的话,基本没戏。如果训练的图片中侧脸比较多, 那出图的效果也是侧脸效果比较好。如果正脸图片比较多,那正脸的出图效果比较好,其他角度的图可能会比较差,甚至出错。所以我们在准备数据的时候,尽量正脸双侧脸都要有,并且多角度的图片数量 也要比较均衡。最后来看一下模型的出图效果,有那么几分相像吧。大家在操作的时候可以多准备一点优质图片,然后 check 处理的精确一点,出图的效果会更好。 关于老二训练,其实实战更重要,多训练几次就能看出不同设置的结果差异来。今天主要是讲数据级的处理和跑通的流程,如何做得更好。

给大家一个简单的 loga 训练方法,首先把需要训练的对象上传到网站,统一尺寸,不能用别人的就只能是我自己了,大家忍一忍,下载回来我们的照片保存好,打开我们的 loga 训练包,点击启动脚本, 可以看到是秋月大佬制作的,再次感谢大佬,点击新手,这里需要改动的位置就只有几个,大家仔细看。首先是底膜路径,你需要把 s d 的底模型复制过来, 在 s d 目录下的 model 文件夹下, stable diffusion 文件夹里就是底模型的位置。找一个适合真人的底模型,比如 tilo max。 复制到老板训练文件夹里的是 model 文件夹里,你可以修改模型的名字,也可以不改,但是一定要 他保证跟那位训练 ui 里面的名商一致,包括后罪名也要一模一样。 然后就是训练级的位置,也就是那一堆照片。 打开出现这个文件夹,然后新建一个文件夹,名字建议跟你要深层的模型一样,免得混乱掉。打开这个文件夹,再新建一个文件夹,文件夹的名字为数字下划线模型名,这里很关键,不要错了,我这里是 sv, 把图片全部复制过来,这个时下划线代表训练十次, 这里改成你文件加一样的名字 v, 这里是训练次数,可以改,可以不改,我改成二十,也就是十乘十乘二十,总计两千次,这里我改成六十四,其他的地方就都不用管了。 整体检查一遍,确认无误后,就可点击开始训练, 这里可以看到训练的进度 显示。训练完成这么快吗?对,因为出错了,回去看一下哪里不对,这里我刚刚忘记改名字了,训练级的路径不对,改成我们的训练级路径,再次开始训练。 出现这个进度条就代表开始训练了。 much much much later。 好了,训练完成了, 打开 up 存件夹就可以看到训练的模型,然后选择后面不带数字的那个,复制到 snow dos logal 文件,加下面,在 s d 生成图片的时候加在你的 logal 文件就可以了。生成的图片修辞度报表我就不多放了,接下来就看你们的了,记得交作业哦。

hello, 大家好,大家玩 stable defusion 应该有一段时间了吧,也下载了很多的大模型和 laura, 但是有的大模型和 laura 呢?它是有一定的触发词的,只有和触发词结合在一起使用,这个效果才会更好一些。 就比如说像这个汉服的 lara, 它是有相对应的触发词的,就是这旁边紫色的这个就是它的触发词,你只有和这种触发词结合在一起使用,才更好地去调用这个 lara, 它的效果才会更好一些。那么 回到这里,如果你的大模型和 lora 下载的比较少,那你这个还记得这个触发词,但是这个模型一旦多了之后,可能就不太方便我们记忆了,或者是你把这些触发词写在记事本上边啊等等之类的,但是不是那么好去调用。像我之前 前给大家去介绍了一个插件,就是 safeta ai 助手这个插件,它可以对这些模型进行管理,但是有的人跟我反馈它这个有一定的 bug, 很可能就是扫描不成功,而且只能扫描 c 站上边的一些模型,那从别的一些地方或者自己训练的一些模型就没办法去管理了。那么今天就给大家去介绍另外一款插件,就是这个 laura prompter to 这个插件,它可以很好的去管理我们的模型。那这个插件是怎么样的?我们一起来看一下,就比如说像这个汉服的这个 laura, 对吧? 然后你点击它,它会在这里去调用这个 lora, 但是它还有相对应的触发词,我们鼠标右击,然后我们点这个汉服,你可以看一下它的 触发词就放过来了,就是这个你可以看一下一模一样的这个触发词啊。还有一个你鼠标右击,你还可以加入试列图片的提示词,就是这些图片,你可以看一下这些图片都是 c 站上边扒拉下来的,那么就是这个 就是这些图片可以看一下的,那么你点这个图片,他就可以把这个图片的提示词,然后就是自动的就是转到这个提示词框内了,然后我们再把这个清除掉, 我们再看一下下边他还有试列读的提示词和他这个读的一些参数,他也可以去调用,但是我觉得他这个还是有一 定的问题,你可以看一下他这个地方都不对,你看大小很明显是不对的,对吧?然后还有等等一系列的,比如说这个我没有他相对应的底膜,我给大家去就是说介绍一下,我们先把这里清空,我们刷新一下嘛, 我们就以一个我有的,比如说像这个国风三,然后就是他这个图, 你可以看一下他的提示词是对的,然后但是他下边你可以看一下这个地方 大小是不对的,而且他的这些放大算法啊,这些都是不对的。比如说我们在这里生成,他是没办法去生成这张图的,是有问题的,可以看一下是有问题的,没办法去调用 它,是什么原因呢?比如说我们可以看一下哈,我们在 c 站上边去找国风三的模型, 就是这张图片,我们可以看一下生成这张图片它的参数,点右下角这个地方,然后 copy 它生成的参数,复制回到 stable diffusing 这个页面,我们先清空一下提示词, 把我们刚刚复制的东西粘贴到这里来,然后这里是它的正反向提示词,下边就是各种的参数,我们可以看一下, 这个是比较重要的,这个是噪声种子偏移,他是还原图片的,这是大小六四零乘以零二四。我们再往后看,这是他的采样方法,这是跳 过程是二,然后是高清修复采样的一个次数是六十四,放大两倍,这个是放大算法,这是他的一些参数,我们点这个地方,点这个箭头,他就可以帮我们自动的去配置好了,可以看一下, 但是它是没有这个差异,随机种子的这个地方是没有的,我们取消这个勾选,但是它多了一个覆盖设置,你可以看一下跳过层十二,然后这个是噪声种子偏移,因为我这两个都没有去设置,然后我们点这里生成,你可以看一下, 它就可以生成就是这张图片了,就是还原这张图片,就是这个,那么它这个插件这个地方是有问题的,这个参数是有问题的,我们看一下到底有什么问题。我们刷新一 同样,我们鼠标右击,然后点这个 点它,它的这个正反向提示词是对的,没有问题。然后我们再往下看, 它的放大算法是错的,它没有去识别是这个放大算法,然后它的高清修复采样次数也是没有识别出来,它是六十四的一个次数,大小也是不对的,是六四零乘以零二四。 然后我们再往下,他是没有这个差异,随机种子的,他这个地方是应该错了,应该是那个噪声种子偏移,所以我们这个不勾选那个噪声种子偏移呢?他是在这个地方我们点设置,然 后这里有一个采样器参数,下边这里就是噪声种子偏移,就是这个东西他是建议三幺三三七的,他不影响我们平时生成图片的。设置好了之后,我们点保存, 然后回到纹身图这个地方,它的跳过程是二,其他的参数我们也已经改掉了,改掉之后我们再点击生成,你可以看一下, 它就可以还原我们这张图片了,可以看一下,所以这个功能呢,它的这个参数,这个地方是有问题的,但是我们可以借鉴上边的这个,它的这些图片,它的这些提示词你是可以看的,而 这些提示词的话可以学习,我们可以结合这个提示词插件,就是这个地方,然后你可以把这些识别出来,把意思翻译出来,然后进行一些调整,你可以去学习生成一些比较类似的一些图片,对吧?那这个地方他是那个翻译有点慢,可以看一下, 就是这个插件,这个插件我觉得最大的一个用处不是在这个地方,而是在它可以去编辑你从别的地方下载的模型,或者是嗯,就是在 c 站上边下载,但是这边没有去识别的,或者是你自己训练的 一些模型,比如说像这个 lorra, 这是 c 账上边的一个 lorra 盲盒的这个 lorra, 然后你鼠标右击,它没办法去识别它的就是 提示词啊这些,这个是我之前就是测试了一下,就是没有去识别好他的一些触发词等等之类的,那我们可以点这个地方进行编辑,比如说像你自己训练的罗啊,或者别的一些地方下载的一些罗啊,你就可以在这进行编辑了, 这是他的名称,然后路径等等,这一等你还可以在这里设置一些就是权重,你调用他的时候,他就会使用这个权重。 然后还有这个建议的 lora 的一个分层控制,你也可以在这里进行编辑,然后这是他的名称和触发词,这是我之前测试的, 然后这是额外的描述专用的反向提示词,你都可以进行设置,设置好了之后点这里确认保存,就可以去调用这些了,这是一键的编辑。但是我不是特别建议大家用这个, 而是建议大家用这个高级编辑。就是这个地方,比如说像这里的名称,我可以去输入,我就输入一个盲盒这样的一个名称,然后触发词 c 账上边我们搜到 盲盒的这个模型,然后你可以看一下他的出发词,是这个,我们就复制一下, 然后回到这里,我们可以把触发词黏贴到这里来,然后这个是触发词的一个分类,你也可以进行填写的,然后这个是反向提示词,我们不管, 当然这里触发词设置好了,我们可以点这个加号进行添加,就是下边这是可以添加的,我们也可以点这个叉删除, 是也可以删除,同样我们点这个这个地方也是可以添加的,然后比如说我们在这里添加一个就是附项, 然后这个是它的反向提示词,比如说我就随便复制一个它的反向提示词 粘贴到这儿来,然后这里你反向提示词,你这后边儿要填写 y, 你还可以继续的编辑添加,都是 ok 的。然后这里也可以移除重复的提示,这儿是移除空白的提示等等。然后你编辑好了之后,特别是你自己训练的模型, 然后你是可以在这编辑的,而且你这里也可以就是说把你这上边的内容就是一行为一组,把它输入到这里,然后也点这个从文字框读取提示词,它也可以读取到这儿来, 明白了吗?然后如果你是军 boss 模型,然后去就是训练的,那你也可以点这个直接去抓取他的一个触发词,也是 ok 的, 然后这里你保存好了之后,对吧?然后回到这个纹身图,你可以看一下,就是这个盲盒的这个你鼠标右键,你可以看一下我们刚刚点的这个盲盒,我们先把这里清空掉,就这清空掉, 然后我们刚刚输出的这个盲盒,对吧?比如说我们点它,先点它去调用这个 lora, 然后 我们可以鼠标右击输入这个盲盒,你可以看一下他的触发词就已经调用好了,就是这个就是我们刚设置的,而且这里我们不是输入了一个负向,就是这个反向提示词吗?然后我们点他, 他这个反向提示词,这个地方就可以帮我们去录入进去了,就是我们刚刚进行设置的,而且这里是我们建议的模型设置,就是这个建议的这个权重,我们点他, 你可以看一下,就是我们刚设置的这个 laura 调用的一个权重是零点六,他直接是这样去调用的,所以你直接点他调用的是一的一个权重,但如果你是调用的那个建议权重就是我们刚设置的这个零点六,明白了吗?是可以进行编辑的,不管是在 c 上上边还是你自己训练的 模型,都是可以在这里进行编辑的。除了这个像 c 站上边,比如说像这个 就是这个模型,我们也可以就是进行编辑,现在是啥都没有,对吧?但是他是 c 站上边的一个模型,我们点这个编辑,然后来到这个页面之后,我们同样点到这个高级编辑里边, 然后我们可以直接从 safety ai 抓取配置文件,我们点它, 你就可以看到他是在 c 站上边抓取的这个提示词了,比如说我们在这里嘛,然后同样我们回到这个地方去输入这个模型搜一下,我们看一下他抓取的那个对不对?就是这个,就是这个 cute girl mix 四,然后它的 这个触发词就是这个复制一下吗?我们回到这个地方,你可以看一下,比如说这里我们粘贴一下,对吧?是一样的, 然后多的一些地方,你可以进行编辑的,就是这个地方,比如说我们也复制这个反向提示词,然后我们点这里反向反向 提示词,然后这个地方它的触发词,我们这里还可以改名字,我们就改成触发词都可以 反向提示词,我们不敢把刚刚那个粘贴到这来,然后你反向提 提示词,这后边就是要设为 y, 就是这一块,然后设置好了之后,你可以点这里保存, 然后保存好了之后,我们回到这个纹身图这里,然后我们就是这个模型,我们鼠标右击,然后你就可以看到这里是他的触发词,对吧?我们先调用一下这个 lora, 可以看一下是调用了,然后我们再把这个触发词点上,可以看一下就是这里, 然后呢我们把这里先删掉,这个是反向提示词框,然后这里有一个反向提示词,点他你可以看一下, 就是这样的,大家可以下来去看一下,然后你从 c 站上边抓取的这个呃文件之后, 它会有这些试列图,你可以看一下这是抓取的试列图等等,都是可以进行编辑的, 明白了吗?这个是这个插件非常的方便,大家下来可以去试用一下,然后你看一下他的一个就安装方法,跟我们平时的这个插件的安装方法是一样的,我们这个地址会分享给大家。来到这个页面之后,你点这里的鼠标绿色的这个 地方,然后点它复制一下这行命令,回到 stable defusion 这个页面,然后点这里的扩展,从网站安装,把刚刚那个命令粘贴到这里来,点这里安装, 安装好了之后,他这里会出现他安装的地址,然后你再点这个已安装应用并重启就可以了。如果这里因为网速等原因下载不下来,你可以点这个地方同样复制这个命令,然后我们 回到这个 weby 的一个目录,然后找到 extensions 这个文件夹,然后来到这里之后,我们鼠标右击,在终端中打开,可以打开这个界面,没有的话你就在这里输入 powershell 或者是 c, m, d 都可以,然后再按那个 enter 键,它也可以进入这个窗口,然后我们在这里输入 get clone, 把我们刚刚那个命令粘贴到这里来,然后在 enter 键进行运行,我这里就不运行了,然后你运行好了之后,它会自动下载这个插件, 这个是第二种方法。第三种方法呢?就是回到这个页面,然后你可以下载他的压缩包,就是这里有个当漏的,你可以点这个地方下载他 的压缩包。下载好了之后你要进行解压,解压好的那个文件你同样放到这个 extensions 这个文件夹下边来,然后放好了之后重新启动你的 vbui, 就可以使用这个插件了。然后这个就是今天的一个分享,大家下来可以自行的去试用一下这个插件。

你知道吗?你现在看到的这些图都是我通过训练 lower 模型自动生成的。可能你会觉得训练 lower 很复杂, 其实只需要四个步骤就可以完成属于自己的 lower 模型了。先关注收藏,防止下次找不到我了。首先你需要有一个拍葬环境,你可以输入这个地址去下载拍葬三十以上的版本。安装的时候记住一定要勾选这里, 然后命令行中输入 python 杠杠 version, 出现版本号代表你安装成功。打开 powershell, 输入 set execution policy execution policy remote sign, 选择 yes。 接下来运行 laura 训练安装包中的 install c n p s e 此时 会安装一些依赖包,我们耐心等待,安装完成即可。创建两个目录来保存图片素材和处理后的图片。第二步,素材的获取。你可以自己准备素材,我为了方便自己写了一个拍葬爬虫脚本, 素材获取完毕后记得一定要把不合格的图片删除掉,这一步非常的重要。第三步, sd 中图片的预处理和 lower 训练的准备工作。指定路径和配置向后开始预处理工作。 这一步就是对每一张图片打 tag 标签,为了保险起见,可以对图片跟标签进行二次检查。将底膜放到 laura 训练的 sd models 目录下,并命名为 model safe tensors。 进入 train 目录,创建 laura 模型目录名称,这个名称前面应要跟数字表示图片的训练次数。 双击 a, 启动脚本 bat, 启动 laura 训练的 web 界面。点击新手,把刚才改过的底膜名字进行覆盖。路径选择刚才自己创建的 trim 目录下的目录名称 尺寸按照预处理时的尺寸进行设置, 自动保存轮数设置十六到二十期间的数值, 最大训练数选择十五到二十之间的数值。我们还需要将预处理后的图片和提示词复制到春影下带数字的目录中,然后点击直接开始训练。这个过程相当的漫长,根据你图片的 数量和训练轮数来决定训练的时长。经过几个小时的训练,终于结束了。将 output 目录训练好的模型放到 s d 的 stable diffusion 目录中, 最后一步,重启 sd 的 vab 目录,然后就可以选择你自己的 lower 快乐的生图了。怎么样,学会了吗?学会了就赶紧去试一试吧! 视频制作不易,喜欢的小伙伴就关注一下我吧!

捞软模型使用攻略?哈喽,同学们好啊,今天我们来了解一下捞软模型,视频不长啊,但都是干货,大家注意听啊。先来说一下什么是捞软模型, 首先捞啊本身是一种训练方法,他是基于稳定扩散模型的一种低至自适应训练方法啊,对矩阵比较了解的同学可能有概念,不过听不懂没关系啊,我们看重点, 那他最显著的特征就是结合了体积小还有效果好这两大特点,那也就是他对使用者和制作者来说都是比较友好的。再说劳尔模型有什么用呢?那我们这里啊,直接看我制作的一些案例 来看有关人物的 low 模型。那左边这个是加了混血美女的 low 模型出的效果, 右边就只是用提示词描述的效果。那我们有些高手呢,不用 lora 也能做出左边相似的效果,但是用了 lora, 我们可能仅仅需要几个简单的啊通用的词就可以实现。 再来看这个攻克机动队的 lora, 那他对女主形象的一个还原还是比较好的, 我们不用 lore, 可能连右边的效果都没法实现。那有关场景和元素的 lore 模型呢?比如这个森系少女的,加了 lore 也是比较有感觉的是吧。然后日 日式的这种浴室,这种就不用我们去构思一些提示词了,它自动啊,帮我们出这种效果。我们看右边这种啊,不,不用 lower 的。那这里这个盆 是吧?是是什么盆啊?还是还是马桶啊?也也也不太清楚。再来看画风相关的,这里的劳尔模型就还原了莫迪里亚尼的画风啊,还原度还是比较高的, 姿态相关的 low 模型,像这种特殊的姿势啊,加了 low 也是比较好出的啊,不用 low 的话, 他手啊也好,眼睛也好,很容易崩。其次也有一些画面效果控制相关的 low 模型,比如这个添加细节的 low, 他能自动帮我们给画面添加细节,我们修复老照片,或者像出一些 高清的真实的纹理都可以用。类似这种罗尔模型,不用很高的分辨率,就可以出比较精细的效果。 那捞二模型为什么厉害呢?因为他就目前的 sd 基础模型来说,他能基于少量的一个数据级的训练,对多个注意层啊,去做微调,还不会动。到底模型预先训练好的,其他的权重他要把它冻结,也就是刚才说的,我们训练他很快, 但是他使用起来效果却很好。我举个简单例子,比如底模型是个夕阳的大画家,会画好多种东西, 但是他没学过国画,哎,这时候有个学过国画的这么个小画家,但他连自己的笔墨他都买不起啊,这个 大画家请他来合作,他俩说配合去画一张图,那这个大画家画线稿轮廓的时候呢,小画家就给他来指导一下,说整体怎么画会更像国画一些。 然后大画家在画小物件的时候呢,小画家也来帮他添置一些国画的元素出来啊,最后上色的时候,小画家又来帮着搞一下, 哎,最后出成品了,画了一幅国画啊,质量还很高,但是还是能看出来这个大画家的画风。 那这里说的小画家其实就是 lower 模型,他依托于大画家,又能凭借自己的在这个纵深领域的专业性指导大画家,那我们这么理解会通俗, 那如果大家觉得视频还不错的话,可不可以点个赞或者关注,谢谢大家了。先来说 low 模型去哪里找?土豆哪里去挖, 你像免费的罗尔模型,直接去某站,打开某站,把这里的筛选器选成 lora, 然后选一个,或者搜一个我们想用的,点进去,在右上角这里点下载就可以。 那有些很专业的劳尔模型呢?如果在网上找不到,我们也可以找人定做,现在很多人都会训练这个劳尔模型,然后说安装, 第一种方法啊,如果是秋叶大佬的整合包,我们直接去启动器,然后在这里找到模型管理,点这个 lore 模型括号原声,然后点添加模型,选中我们刚才下好的模型文件,点打开就安装好了。 再来说一种通用的安装方法,我们打开 sd 的根目录,找到 models 文件夹,然后打开 lower 文件夹,再把刚才下好的 lower 模型文件放到这里面就行。最后说怎么使用, 在右上角这里点这个,展开扩展模型面板,然后点 lore, 这里要点一下刷新,给他刷新一下,然后鼠标单击这里面的 lore 文件, lora 就自动的加到提示词里了。那有些 lora 还有他自己专门的触发词,我们需要把原作者提到的触发词也给他 加加进去,触发词在这里复制就可以,我们还可以调整劳尔模型的权重,然后最后点击生成就可以了。 ok, 我们今天学会了捞二模型的使用,那大家赶快去下载一个试一下吧。那其他不懂的问题呢?欢迎大家随时来问我,那我们下期见,拜拜。

大家好,今天我们来说一下秋叶大佬的训练劳尔模型的整合包工具 sd 春呐,他的这个整合包呢,跟我们之前讲的这个扣呀 ss gui 的这个训练训练参数呢?训练源码和模型 是一模一样的,只不过这是秋叶大佬进行了一下整合和优化,还有中文化,也就算是中文化的版本。那么我昨天试着用这个秋叶的这个版本呢,训练了一个模型,我是找了圣斗士的图片素材来训练一个模型, 训练好的模型呢,只有三十六兆,但是也可以用了。训练完成的模型是这个后面不带编号的这个模型,将这个模型呢复制到 stable diffusion 里面来,我们去使用这个 lower 模型,因为这个我们训练这个模型是 是二次元,是动漫的吗?所以说在 sleeper defusion 里面 check point 这个模型,你要选择一个二次元动漫的一个模型去给他生成。一开始呢,导入这个模型会发现我们生成的图片这种已经花掉了,模糊不清楚了,这是由于我们训练 过泥河的原因。过泥河的话,我们就把这个 lora 的这个权重呢,从一给它降到降低一点零点六到零点八,可以偏向于我们这个 lora, 但不至于过泥河。你设置为零点四到零点五的话,它是偏向于拆个 pose 模型,而仅仅加了一点这个 lora 的元素。 后面呢,我把这个权重给他降低,降到零点六以下,零点零点四到零点六,我们看一下结果, 那么这个输出结果呢,就能保持保持好我们这个画面的完整性,还能够加上圣斗士的这种铠甲元素, 就生成的模型质量上来说,秋叶大佬的这一款工具呢,和我们之前用 koya s s g u i 的这个工具去训练出来 模型,结果呢,其实是一模一样的,没有没有说谁好谁坏,只不过秋叶这个是更利于偏向于新手,而且不需要原码安装,直接解压缩就能用。那么他的这个安装包呢, 我已经上传到我的网盘里面了啊,也分享给大家,可以去下载了,大家可以去直接去找雀跃大佬的 这个下载地址,也是可以的。那么之前呢,我出过八戒以下现存宝马训练的安装与操作步骤这个详解,那么讲的就是我们这个 扣一 s s g u i 的这个训练教程。那么之后呢,又出了一个 local licurice loha 训练模型的这个方法都是八界显存以下的训练,所以说我们这个秋叶大佬的这个整合包呢,其实也是低显存可以训练的,也是八界以下的。他这个操作非常简单, 我来给大家就是讲一下他这个操作,我们下载好他这个压缩包之后解压缩,你用国内加速更新或者是强制更新都可以,这个看你有没有魔法了,如果你有魔法的话,你也可以用国内加速啊, 但是同时呢,你又能用这个强制更新点一下,这强制更新呢就开始更新一些库,更新完成之后, 我们点击这个启动脚本就可以直接一键启动了。一开始我们启动界面是来到这个界面训练通用模型,这一边你要设置一下通用模型呢,就是用来训练罗拉模型的基础模型, 它存放在 s d 杠 models 这个文言夹里面,你可以去你之前的 stable diffusion 的这些模型里面呢,去找到你的这个 v 一点五或者是 v 二点一的这些基础模型。 行,去给他复制到我们的这个文件夹里面,然后呢将这个模型基础模型的模型名字呢给他粘贴到这里面就可以了。那么下面这个数据及设置呢?也就是放在这个 trin 这个文件夹里面,我们来看一下,在这个 trin 文件夹里面, 这个你可以新建一个文件夹,我的比如说这是我自己创建的一个文件夹,然后里面放图片的数据集,名字呢也有讲究。嗯,在里面再创建一个文件夹,然后前面要打上一个数字,后面横杠,然后后面跟名字, 前面这个一百呢,什么意思呢?比如说我们这里面有十六张图片,那么前面这个一百就是将我们这个十六张图片呢,训练一百次就是一百,乘以十六就是一千六,那么一千六呢?再乘以我们这个训练相关参数,最大训练轮数十, 那么一千六再乘以十,也就是总共要训练一万六千步,训练一万六千步呢,大概需要四个小时,我是十二 g 的现存训练了四四个小时。那么来说一下这个正则化数据路径,这个是用来存放你的正则化。什么是正则化? 就是在之前的啊,训练 lora 的,训练 lora 分类图片的时候给大家讲过,这里面是放分类图片级的啊,如果大家不知道分类图片级是怎么来训练设置的,可以去看我前面的视频 lora 分类训练,那么下面呢是一个分辨率五幺二乘五幺二的,如果你现存 很低的话,设置成五幺二乘五幺二的,中等的话设置为七六八乘七六八的,高档的话你可以设置为幺幺零二四乘幺零二四。好,下面这个保存设置呢,这个我们要起我们的 logo 模型最终生成的文件, 这是输出目录,输出目录保持默认,你不要变啊,因为这个也不影响你。然后下面是这个每几轮保存一次,他是每二轮保持保存一次,那么输出的这些模型的结果呢?就是二四六八啊,每过二保存一次,但是呢总共他要保 我总共他保存五个模型,这个保存五个模型呢,也是你自己可以设置,你想保存十个就保存十个,想保存一百个就保存一百个。 好,下面这个相关参确认相关参数,这个十呢,一般我们也是保持默认不动,如果你这个设置设置为二十呢,一千六乘以二十,你就三万二了,三万两千步了,你就再加四个小时 pc 大小啊。如果你显卡非常好的话,也可以设置为二,显卡一般设置为一。学习率,这个默认保持不要动,因为他这个学习率呢啊,跟我们之前 在 step 第六任这个学习率显示的方式不一样哈,因为我们之前显示的方式都是零点几,都是数字,他这个啊不知道代表什么,大家可以去学习一下秋叶的这个参数的这个概念,这个保持默认不变啊,这些都是保持默认不变的,大家可以看他下面的这些中文解释吗? 这些中文解释一般都能看得懂啊,忘了给大家说那个数据级是怎么来训,数据级是怎么来产生的? 数据级是在这个 wd 一点四这个标签器里面,这个标签器里面我们把这个数据级目录呢,也就是我们这个 trend 这个文件夹里面这个目录 路径给他复制一下,给他复制到这里面。下面呢参数我们保持不变啊,我们直接点启动就能够生成这些数据及文档了啊,我们还回到新手,这里面这些可调的参数也是比较少 啊,我们就可以保存一下我们的这些参数,也可以读取我们刚才保存的参数,也可以删除进行管理。下面呢我们直接点击直接开始训练,就可以直接开始训练我们的模型了,如果你对参数比较了解的话,你可以选择专家模式、 自然模式,这里面可调的参数更多,更为细节一些。那么既然我们是用 ai 啊,当然是让他更简单更好,我们更希望呢是 用一键导入别人设置好的参数去进行训练,因为我们自己去设置参数参数的话,我们对概每个参数的概念并不清楚啊,也不知道生成的结果会怎样,那这里面呢还有一些参数讲解,大家如果想学的话,可以去学习一下这些参数讲解 好了,那么今天呢,关于这个秋叶版的这个低配版 lower 训练的整错包呢,就给大家分享到这里,如果大家觉得有用,那么请为我点击关注加三连,我们下期 ai 课程再见!

拯救低险存炼单师在线网页版 lora 训练来了,你是否还在困苦于自己的电脑配置无法流畅运行 sd 和炼丹网页端? sd 海意 ai 目前已上线在线炼单功能,无需下载任何安装包级文件,打开网页即可训练。首先进入海意 ai, 来到 ai 模型界面, 点击创建数据集,设置好名称和风格,上传炼丹图,上传成功后,来到下方可以自定义修改标签内容。由于预设好了新手通用参数,你可以选择直接开始训练,或者来到高级设置自行调整数据集处理好后就可直接开始训练了,需要训练的时间也不用很久,以视频中的训练集为例,三十分钟左右即可训练完成。 训练好的模型在风格一栏,你可以点击右下角在线绘画,也可以直接发布在海意 ai 网站。正好七月三号至八月三号期间,海意 ai 正在举行多个奖励活动,其中模型大师创新赛奖品包含四零九零、四零 六零 ti 显卡和丰厚奖金,更有模型师入驻福利,前二百名认证入驻的模型师值接领奖,不仅可以在线炼丹,还可以参赛赢奖,兄弟们此时不充更待何时啊!

大家好,我是空空,今天通过这个视频能让大家训练出自己的风格小模型 lora, 让自己从魔法师成为一个初级的炼丹师。训练 lora, 首先需要我们搜集最少五张到二十张相同风格的图片,那我们先去 made journey 里声称一组模仿兰花银结构的参数化建筑图片, 一共生成三组共十二张风格相同的图片。这里啰嗦几句,这那也是我现在的将 ai 应用到工作里的流程, 根据项目特征在脑中形成大概的前期方向,然后去用 meet journey 去通过描述生成一些自己偏向的风格,再利用 stable diffusion 的可控性形成前期的方案效果。有了需要训练的图片后,我们先来到 stable diffusion 的训练一栏,点到图像预处理, 我们将要训练的图片文件加入进复制到原目录框子里,再新建一个空的文件夹,同样把文件加入进复制到目标目录框子里。宽度高度呢?根据我们的图片设置一下,因为我们搜集的图片都是正方形的,所以长五百一十二,宽五百一十二,可以不改。 下面勾选一下,生成 tag, 点击预处理,等待一会便可以了。我们这里十二张图片大概一分钟不到的时间预处理完成了,可以看到它自动为每个图片生成了一些关键词 tag。 下面我们关掉 stable diffusion, 进入正式的训练环节。这个呢就是我们的训练包了, 这里感谢一下秋叶大佬分享的训练包,制作的非常方便易用,这个训练包如果大家需要可以评论区留言我分享给大家。 第一步,我们新建一个文件夹,训练的路径呢,最好不要有中文字符,所以我们暂且给他命名为 train 文件夹,这个文件夹呢就是放我们刚才预处理过的图片与 tag。 第二步,双击进来以后,我们再新建一个文件夹,这个文件夹同样引文名,随便取一个便可。 第三步,我们在这个文件夹里再新建一个文件夹,这个时候命名就要注意了,就不是随便命名了,要用数字加英文字符的下划线加上个文件夹名,这个数字大以可理解为训练的词 次数区间在五到八之间,这里我们命名为六下划线 jack randus。 第四步,我们把刚刚预处理好的图片和 tech 全选复制进来。第五步,我们用记事本打开 train ps e 这个文件,设置一下必要的训练参数。首先是设置训练的底模型,我们来到 stable diffusion 的根目录,来到放置大模型的目录, 选择一点五版本的大模型作为我们这个训练的底模型,我们把这个大模型拷贝进来,相应的这里的名字也改成一致的名称。训练的路径设置上,我们把刚才新建的文件夹的名字复制过来, 宽高设置上依然保持与御处理一样的数目,五百一十二乘以五百一十二。下面这些参数跟着我先这么设置就行了,有的数据不是越大越好。 最后来到模型保存名称。最后是命名,希望训练出来的 loret 名字命名跟之前的文件夹一致即可。这个随意训练好的模型呢,会存放在 output 这个文件夹,这个是我之前训练好的,先把它删掉,做完以上的 设置,我们保存这个文件,关闭第六步,也是我们的最后一步,鼠标右键选择使用 powershow 运行,这样就启动我们正式的训练了。这个时间呢需要大概半小时左右,我们快进一下,可以看到每隔百分之五记录一下,每隔百分之十保存一个过程模型好了,当出现穿云飞那时的时候,就表示我们训练完成了。 我们把训练出来的 laura 放到对应的 stable diffusion, 存放 laura 的位置,打开 stable diffusion web ui, 我们试一下刚炼单出来的新鲜 laura。 ctrl net 新建的画布,选择涂鸦模式,随手画个顶盖与柱子的这么一个东西,再随手丢几个关键词进去, 通过右侧中间的红色按钮,选择好我们刚才训练的 laura, 暂且全中,给到仪看下其他参数没有问题后点击生成。 不试试看看效果。 好了,今天的炼丹教程就到此结束了,祝大家玩的开心!

哈喽,大家好,今天给大家强烈推荐秋叶大佬的模型训练器训练 lura, 超级方便快捷,他不需要我们自己去配置环境解压即用, 从打标签到 laura 的训练,再到 tenciple 的分析数据,一个界面全部解决,非常的方便快捷。我们来看一下它到底怎么去使用。我们先把这个关掉,等会再去启动。 首先我们要去下载这个模型训练器的压缩包,我会提供给大家,然后你下载好了之后进行解压,这是我提前解压好的这个文件点进去,进来了之后你要先进行强制更新,就是这里 这两个点其中一个都可以,然后下边这个是国内加速双击,它就可以自动的进行更新了,那我这里是 已经到最新了,所以他没有进度条,你更新好了之后,这个就可以关了。关了之后接下来我们要去准备底膜,就是你想在哪个模型上去训练我们的 lora, 然后这里我去下载了一个 sd 一点五的这个模型,然后我把它复制, 然后回到我们的这个模型训练器的这个目录,然后找到它的 s d models 这个文件夹点进去,我们把刚刚的那个模型复制粘贴到这里来。 复制好了之后,接下来一步我们是要准备训练集,就是训练素材,也就是图片,然后这个图片我是提前已经准备好了,这个图片呢尽量保持工整,统一分辨率,建议五幺二 乘五幺二这样的一个大小。当然你也可以使用那种非正方形的一个图片,但是如果你的显存比较小,那你就老老实实五幺二乘五幺二这样的一个大小,这些图片素材呢?看你训练什么,如果你训练画风,那你所有的图片它的一个画风都是统一的。 然后如果你像我这样,就是训练人物或者物体这种,然后这些人物你就只能保持一个,不要有别的人物在里边。第二个,这些人物他的背景要单一一些,不要那么花, 嗯,如果你要精益求精,那你可以去抠图。第三个,这些人物尽量是那种多个角度的,这些图片效果会更好一些,这是图片的一个建议。那这些图片呢?我给大家去推荐一个批量裁剪图片尺寸的一个网站,就是这个, 这个我会分享给大家,就是这个地址,然后你点击这里,然后去上传,你就是截好的一些图片, 比如说就是这个图片,然后你再按 ctrl a 全选,把这些图片选中,选中之后再打开 他这里就选好了,当然我这里全是五幺二乘五幺二的,所以这个地方就不用再去设置了。当然如果你不是五幺二乘五幺二的, 然后举个例子,我这里随便说一个三六八,然后你可以看一下,他旁边就会出现这样的框,然后你可以拖动这个框去选取你想要的那个位置, 那么这里是一样的,那你就设置成五幺二乘五幺二,然后去拖动他的一个框,然后选好了之后点这里保存,这个保存好了 之后,他是保存的那个压缩包,保存好了那个压缩包你要进行解压,解压过后他就是这样的图片了,就非常的工整了,就是这样的图片,然后这些图片你要全选 ctrl a, 然后在 ctrl c 复制,复制好的图片你要放到这个地方来, 就是找到我们的模型训练器他的这个目录这边,然后找到 train 这个文件夹,如果你没有,你就建一个 train 这样的一个文件夹点进去, 然后在这里我们需要去新建文件夹,然后这里你要去建一个你这个图片的名字,我们就随便建一个,就阿尼亚吧,就是这个图片的这个名字,然后再点进去,我们再次要去建一个文件夹,这个文件夹它的一个名 名字就有讲究了,它是一个数字加下划线加这个概念名,然后它这个 我给大家去演示一下吗?比如说我这里的数字推荐就五到八,五到十,这样就差不多了,当然根据你的那个图片数量来哈,然后在下划线加一个概念名,这个概念名随便起一个都可以,比如说我还是起一个这个 啊安妮,然后这个名字就起成这样,这个数字代表每张图训练的步数,那我这里设置的是八,也就代表每张图 ai 都要看八次。我们再点进去把刚刚复制的图片粘贴到这里来, 这里一共是十三张图片,也就是说他每一张图都要看八次,十三张的话就 十八乘十三一百零四次,也就是说他要训练一百零四步,就是这样的。然后接下来我们要给这些图片打标签,那我们回到这个目录,也就是我们模型训练器的这个跟目录这里,然后我们再启动脚本,点这个 启动脚本,他会自动弹出这个页面,然后我们再点这个 w d 一点四标签器,就是我们要去打标签,我们要把刚刚的这个图片,就是这个 tree 文件夹里边,我们一直要进来,就是这个图片这里,然后我们要复制这个路径, 复制好了之后我们回到这个页面,就是这个标签器的这个页面,然后我们把这个路径粘贴到这里来,粘贴好了之后 其他可以默认不用改,然后我们直接点启用,然后我们就可以在后台看到它的一个进程, 好,这里已经识别完成了,完成了之后我们回到这个地方来,就是回到我们的这个图片这个地方,也就是这个文件夹看到没,然后他每一张图片后边都会更一个这样的一个文本, 就是文本文档点进去之后你都要去检查一下这里头有没有,就是说不需要的,不对的,比如说像这个 paper, 我就不需要每个里边都有 paper, 对吧?我就不需要有这个纸,当然你也可以删掉,那我这里就懒得去删这些了,只是给大家去做一个演示, 然后这些是他的标签。当然如果你想要一个那种触发词,那那种收敛词,那你可以用这个,就是我也会推荐给大家,就是用这个 就是这个批量打标的工具,然后我也会提供给大家。大家下载之后解压,就是这个文件我已经提前解压好了,解压好了之后点进去,然后一直点到这里,我们再点这个文件启动,然后我们点这里, 然后我们点第一个去上传我们的就是刚刚的那个图片, 然后我们找到我们的这个模型训练器的目录,然后找到 chain, 然后找到这个 on a, 然后就是这个文件了,就不要再点进去,我们点一下它,它这里就显示这个数字下滑线,然后这个名字 a near 这个文件,然后我们直接点选择, 选择好了之后,这里是总共的一个标签,就是他结合的,然后你可以把你不需要的删掉,就是这个, 那我就随便先删一删,就是你可以去检查一下你哪些标签是不用的,那你可以点中他,然后点这个叉就可以删掉了,然后除了这个,我们要去添加一个收敛词,对吧?然后你就点这个加号, 然后我们在这里去输入一个收敛词,尽量是那种中文拼音吧,就是免得跟我们的提示词有重复,就是这 块,那我们就输入小美女,然后零一这样的一个就是名字,然后这个地方我们把它放到最开始,就是 top, 就是最开始的这个地方,然后点 ok, 那么它每一张图片前边儿 这个标签前边都会有这样的一个收敛词了,你可以看一下,喏, 就是都会有这样的一个收敛词,看到没,然后放好了之后点这个,又是点这个,然后再保存 save, 保存它的一个改变,然后保存好了之后我们就可以删掉了, 然后我们回到就是这个页面,就是我们的图片的这个页面,我们点这个标签,你可以看一下 它每个标签前边都有个这个小美女零一这样的一个瘦脸词了,这儿就是方便我们去调用我们的 lura, 这个就是这个收敛词,这个标签你可打可不打,就是这个只是方便我们调用 nora 而已。 然后好了之后我们回到 lora 训练这个页面,这里有 lora 训练,你也可以看到这里是给出的一个建议,如果是新手的话,你就点新手就好了,如果你有一定的经验,他是开放了全部的高级参数的,那你就可以点下边的专家, 然后这里也有参数的详解,大家可以下来去学习一下。那我这里只给大家去做演示,我们就用新手这个,然后在这个地方呢,这个地方你就要去 去输入你的模型的名字这个地方,比如说我们刚刚的那个模型不是已经放好了吗? 就是在这个文件夹里边,然后它里头有一个 s d models, 这个文件夹点进去,然后这个就是我们的底膜,然后你要把它的这个所有的东西都要复制, 当然你也可以改名字哈,然后复制好了之后回到这个页面,然后我们这前边的这一部分可以保留,就是我们的那个文件夹,然后下边的这个我们要把这个名字输入进去, 然后这里呢它是 train 文件夹下边的那个训练级的一个路径,它是 train 下边的那个名字就可以了。然后同样我们是回到这个地方,然后找 找到 trin 这个文件夹,点进去,点进去这个它的文件名就可以了,不要再点进去了,就是这个 trin 下边的这个,然后同样我们把这个名字复制一下, 回到这个页面,我们把最后的 j 里改掉就可以了,就改成这个名字,它是寸文件夹夹下边的这个文件,我们往下看,这里是正泽化数据及路径,你没有你就空着,这个地方是你图片的大小, 你之前是什么大小,现在就是什么大小,我本来就是五幺二乘五幺二,那我就这里就不变了,这个图片的大小必须是六十四的倍数。呃,这个不要弄错了,我们再往下,这个地方是模型保存的名字,也就是你 laura 叫什么名字?那我就起一个安妮儿就是这个名字吧。 然后这里是你输出的 laura 模型,它的一个保存文件夹,它这里我们就默认不变,它是在这个地方, 我们回到这个页面,然后回到我们模型训练器的一个根部落,然后它保存的这个模型是在这里,就是它输出的模型是在这个 alt put 里边点进去,然后它就会保存到这里了, 然后我们回到这个页面,我们往下,这个我们等会再说。我们先说这个批量大小,这个批量大小他是代表每一次处理几张图片,就是一次性拿出几张图来训练, 嗯,建议一或者二,如果你的选存在八 g 以下的话,那就填一吧,就是这个效果要好一些。然后这个呢,他是跑的一个轮数,之前我们算了 一轮是一百零四步,还记得吗?就是图片那个地方,那么这里的话就是设置你要进行几轮,建议就十五到二十轮,就是效果比较好一些,当然你可以设置成十五,那我这里, 然后这里的十五轮,那总的就是十五乘以一百零四,也就是说总的要训练一千五百六十步,就是这样的。 然后这里呢,它是代表每几轮去自动保存一次模型,那这里你可以默认二,也可以五啊,这些都是 ok 的,那我就默认二吧,就是这个,嗯,再往下 这个学习率,嗯,作为新手我们就默认,就不用去管他。然后再往下就是这个,呃,训练预览图设置建议是不开启的,因为他会消耗 更多的显存托慢速度,就是这个建议不开启,然后这里的网络设置,然后这个地方呢,他不是越大越好的,就是说,呃,经常的一个数字是三十二、六十四、一百二十八,这个不是越大越好,你 三十二、三十二,就是这两个是比较多的,或者是六十四,三十二,就是下边的这个数是上边的一半,或者是相等,就是这样的,是比较多的,就是这个,那我们就默认三十二,三十二,就是这块, 然后下边我们也不动,就是作为新手,这些我们设置好了之后,呃,在这个地方我们可以点这个保存,就是我们保存我们比较常用的一些,就是参数,我们可以点保存,保存了之后我们这里可以读取,读取参数就是这里你可以看一下,这 是我刚刚保存的,你还可以设置一个名字,比如说我就设置为 test, 然后你就可以看到了,这里也是哦,现在这个地方才是我刚刚保存的,就是设错了,当然你还可以在这里删除,就是你不需要的一些参数, 还可以这里使用,然后预览设置名字都是 ok 的,然后你不想保存,那你可以直接点这里,直接开始训练,然后你就可以在后台看到训练的一个步骤了。 how? 这里已经在开始训练了,你可以看一下 how 训练完成了,他这里会显示训练完成,我是三张图片,一千五百六十步,大概就是六分钟的样子就训练完了。 完了之后我们按一下它出来的模型,就在我们这个地方,就是我们这个文件夹里边这个目录,你找到 output 这个文件夹点进去,那我们训练的这个模型就是在这里,他是每两轮就会保存一个模型,所以他保存了很多个模型,然后你都可以去试一下,看一下哪个模型是最好的,那我就试一下最后这一课,然后我们把它复制,就是这个复制复制好了之后, 我们把它存到 vivio vivoi 目录,然后找到 models, 然后找到 laura 这个文件夹,然后点进来,你把它保存到这里就可以了,就是这里我把它复制过来了。复制过来之后,我们回到 vivio i 目录,然后去启动 v b y, 好,来到这个页面之后,这个模型我们要改一个,就是二次元的模型吧, 比如说我就改这个模型,然后 ve 的话,我就用这个 ve 算了,然后我们这里提示词去输入一些比较简单的提示词,去看一看效果, 然后这下边的一些参数我就默认, 然后这里我们点这个粉色的图标,点它,然后我们去调用我们刚刚训练的那个 lara, 就是这个 anna, 然后点它之后,它这上边自动就会帮我们去调用了。当然你也可以用那个触发词,就是那个 小美女零一可以用这个触发词,然后好了之后,我们把这个搜一下,然后点这里生成, 我们可以看一下他生成的一个效果怎么样?好,生成的你可以看一下,就是训练的效果还是非常不错的。我们再点生成,或者是我们这里多生成几张都可以看一下效果。 然后生成的我们都可以看一下,就是效果都是蛮不错的,训练的还可以。好,今天的一个分享就到这里。

分享一个目前发现最简单的 lola 模型训练网站, lorel, 只需要你上传想训练的图片,他想对应的提示词,再输入一个接收训练好 lola 模型的邮箱,点击训练就坐等搜模型了,不需要任何复杂的参数配置,快去使用吧!关注我,了解更多 ai 工具!

打模型微调讲解与实力是不是有很多同学发现,虽然 gdp 等模型的功能很强大,但是对于特定问题却不能给出很好的回答。 比如让 gpt 写一篇小说,如果没有微调,那么他写出的内容质量就会很差,或者让他做一些特定领域的内容,他有可能会胡编乱造。那么有没有办法可以解决这些问题呢?答案是肯定的。 今天小屁就来教大家如何对模型进行微调,手把手教大家如何训练出属于自己的模型。在正式讲解前,大家一定要弄明白一个问题,就是为什么要进行模型微调?第一 点就是可以帮助模型更好的胜任新任务。预训练模型是在广泛的数据集上学习的通用标识,微调可以帮助消除预训练模型上的任何偏执,让他更好的适应新任务特定的数据和分布。 第二,通过对模型进行微调,可以增强模型特定任务的能力。最后,相比渔夫聪明,微调所需的参数更少,训练速度更快,对 gpu 等资源的消耗也比较少,十分适合个人和中小公司开发下游应用。 下面我们来一起了解一下模型微调有哪些常用的方法。二零一九年,谷歌的研究人员首次在弄门 parameter vision transfer london for nab 提出针对 bird 的 p f t 微调方式,拉开了 p f 研究的序幕。随后,更多的微调方法被科研人员研究出来,这些方法包括 laura 在论文 laura, laura in caterpish no frog language models 中被提出。论文指出,学习的过度参数化模型实际上存在于低内在围斗上, 模型自适应过程中权重的变化也具有较低的内在值。 lower 具有几个关键优势,第一,浴室链的模型可以共享,并用于为不同的任务构建许多小型 lower 模块。通过替换图一中的矩阵,该何必可以 冻结共享模型参数并高效的切换任务,从而显著降低存储需求和任务切换开销。第二,当使用自适应优化器时,劳尔使训练更有效,因为不需要维护大多数参数的优化器状态, 只优化注入的低至矩阵即可。第三,简单的线性设计允许在部署时将和训练矩阵与冻结权重合并。与完全微调的模型相比,使用 lola 不会引入推理延迟。下面我们结合代码看一下如何使用 lola 对模型进行微调。 首先要配置 loi confide 配置类,这里有五个参数,第一个是任务类型,第二个是是否用于推理。第三个是定义低为内在值大小。第四个 是定义低至矩阵的阿尔法,因此第五个是 drop of, 因此第二步是指定和获取要系列的基本模型。 第三步,使用 depth model 方法和我们最先定义好的 lower 配置类对基本模型进行包装,并使用 print trainer black prematures 方法打印参数。最后我们运行试验方法就可以对模型进行训练了。 以上就是使用 lower 进行模型训练的基本流程,在实际项目中,我们还要结合自己的训练目标对数据进行采集、整理、切分、归一化等操作,还要考虑参数等配置。 lower 等 pst 技术降低了模型训练的门槛,使我们都有机会去训练自己的模型,实现自己的想法,希望未来技术发展可以普惠到每一个人。

上期视频我们演示了基于阿里云函数计算云端部署 stability future 的方案,但对于很多开发者来说,还有进一步进行模型调优或者使用 laura control net 等方法自定义模型风格的需求。那么本期视频我们就来介绍一下 如何通过阿里云继续学习平台派进行基于 several diffusion 的开发。操作也一样,非常简单,五分钟就可以上手,而且我们预制好了所有的代码和环境,还提供 v 一百、 a 十等机型的免费试用资源。接下来我们就开始吧,今天会分享两个方案, 一个是快速拉起思路 diffusionwib ui, 适合刚入门或者想要快速体验 ai gc 的开发者。另一个是结合口哈药工具进行思路 diffusion 微调训练和服务部署的方案,适合想要实现模型定制风格并且有 生产级的 ai 绘图需求的开发者和企业用户。首先我们来体验一下一分钟快速部署 stable diffusionwip y 的实验过程。我们先来到阿里云官网,进入阿里云积极学习平台派的产品控制台, 选择模型在线服务 p e s, 接着点击部署服务按钮,在这里呢,服务名称可以输入你自己起的名字。 部署方式选择镜像部署 ai web 应用,镜像配置可以参考画面里的选择, 其他的配置项都保持默认。在资源信息这里,一般选用 gpu 就可以,因为派 es 现在有免费的试用活动,我们可以选择免费机型里面的资源,这里的 a 十或者 tc 都可以,我们随便选一个。最后点击部署,回到这个页面,我们可以看一下服务状态,显示绿色就说明已经部署好了。点击查看外部应用,就能看到我们刚刚部署好的 stable destruction web ui 服务了。在这里我们可以输入一些 prompt, 我这里直接复制粘贴一段,准备好了,这里是正向的指令,这里是负向的指令。 底下的这些配置和参数可以按需填写, 然后点击生成就可以出图啦。啊,我们可以看到这批一共出了六张图,很可爱哦。 那么到此为止,快速 拉起 s c y b y 的方案就演示完成了。但怎样可以让 a i 画出更好看的图呢?除了苦练 prompt 技能以外,还可以通过微调 s c 的方式让模型学习特定的风格。接下来我们就进入第二个实验结合口哈亚工具进行 s c 微调和部署。 我们还是在拍 es 控制台,点击部署服务,给这个服务起个名字,部署方式选择 aiv 应用 镜像版本,选择一点零模型配置,这里需要挂在 o s s, 选择合适的 o s s 八 k 就可以了。 注意这里的是否只读选项,需要选择否, 其他的配置都保持默认。在资源类型这里建议选择 gpu 卡片下的 gu 三零机型,这个机型的性价比会更高一些。如果你领取了免费试用的话,也可以选择试用活动里的 gpu 机型。最后我们点击部署就可以了。 部署完成以后,点击查看 web 应用进入口哈牙界面,点击 dreamboat flora, 选择 folders 配置相应训练文件, 最后点击吹 model 就能启动训练任务了。在拍 e s 的服务日志里,我们可以实时查看训练进度。训练完成后来到 o s s 的控制台, 在配置的模型目录中就能找到刚刚训练得到的 lower 模型。 我们可以参考实验英里的步骤来部署 s d web u i, 在模型配置环节进行自定义设置和模型挂载修改运行命令,这里可以按照屏幕的提示来修改挂载目录,需要和模型配置中挂载路径的最后一级目录保持一致。 接着选择 gpu 机型之后点击部署,就能用刚刚训练好的 low 模型来出图了。 这些都是使用这个方法跑出来的图,可以看到效果还是非常好的。对于有生产应用需求的设计团队和企业客户来说,派的这套方案可以满足对性价比和灵活度的需求。当然,如果你是习惯使用 note 开发界面的硬 和开发者,也可以通过派 dsw 来进行开发和训练,里面有丰富的模型和教程可供选择。同时派快速开始也支持 sable、 diffusion、 辣妈兔等热门的模型进行低代码使用。 另外还需要注意的是,如果不需要使用了,一定要回到派控制台停止或者删除实力 只关闭页面是没有用的,还是会持续产生计费的哦,所以不用就一定要记得关机。然后刚刚实验里提到的派 e s 和派跌 w 现在都有免费的试用活动和丰富的教程,欢迎大家前来体验。 以上就是基于继续学习平台派的 sd 云端开发部署方案,完整的文档教程和相关链接都会在简介当中放出来。 下一期我们将介绍如何在 gpu 服务器上搭建 sd 外部外框架。无论是需要快速出图训练专属模型的个人使用者,还是需要完全从底层开发自定义模型的企业用户,都可以关注一下。 如果对今天的操作演示有任何问题,也欢迎在视频下方留言,我们会第一时间为大家解答。