从接触SD到现在，相信大家一定使用过各种各样的lora，包括人物的、建筑的、画风的等等，那么你有没有想过炼制一款属于自己的lora模型呢。
我们先来了解一下炼丹的基础概念，它的关键原理就是——等价交换法则！
不好意思，说错了。
重新来，Lora全称Low-Rank Adaptation Models，中文翻译为低阶自适应模型。它的作用在于影响和微调画面。通过lora的帮助，可以再现人物或物品的特征。
大模型的训练通常是非常复杂且需要很高的电脑配置的，LoRA采用的方式就是在原有的模型中插入新的数据处理层，这样就避免了修改原有模型的参数。LORA模型训练，其实就是用一些特定特征来替换大模型中的对应元素，比如一个固定的人物相貌、特定的服装或者是特定的风格，这样就可以生成不同于底模的图片。
所以，lora训练是比较轻量化的，需要的显存也少了很多，硬件门槛显存达到6G就可以开启训练了。
我们今天要使用的是B站UP主“朱尼酱”的赛博丹炉，他的这款丹炉，界面更加友好、美观，适合新手入门。
废话不多说，我们就正式开始吧。
首先我们在云盘中下载这个压缩包，然后解压到本地磁盘中。
最好是直接放在某个盘的根目录下，路径中不要带有中文。
然后找到E:\cybertronfurnace1.4\cfurnace_ui路径下的Cybertron Furnace.exe文件，双击启动。
等待一段时间，我们的赛博丹炉就正式启动了，画面非常的炫酷，有一种未来科技的感觉。
打开素材库可以看到5张tifa的图片图片，这是丹炉中自带的，我们先用这个来炼制第一炉丹吧。
我们可以选择一个任意的基础模型，然后给我们想要炼制的lora取一个名字，即召唤词。
正常来说，这个丹炉已经帮我们按照类型设定好了参数，所以你只需要点击“人物”选项卡就可以开始训练了。但是，我们这里最好还是要了解一下相关的参数，所以我们选择“自定义参数”。
点击确定，我们就进入了一个参数设置的面板。接下来，我们就来了解一下，这些参数的具体含义。
首先是学习步数，指的是AI对我们每一张图片的学习次数。根据我们的训练内容，二次元图片的repeat一般在10-15，写实人物图片的repeat一般在30-50，真实世界的一些景观场景可能要达到100。repeat值越高，ai就能更好的读懂我们的图片，理论上讲图片的精细度越高，学习步数就要越高。
循环次数：AI将我们的所有图片按照学习步数学习一轮就是一次循环，那循环次数就是将这个过程重复多少遍。一般数值在10-20之间，次数并不是越多越好，因为学多了就会知识固化，变成一个书呆子，画什么都和我们的样图一样，我们称之为过拟合。每一次循环我们都会得到一个炼丹结果，所以epoch为10的话，我们就训练完之后就会得到10个丹。
我们总的训练步数，就是：图片张数*学习步数*循环次数=训练步数。
即：5*50*10=2500步
效率设置，主要是控制我们电脑的一个训练速度。可以保持默认值，也可以根据我们电脑的显存进行微调，但是要避免显存过载。
并行数量：代表了AI在同一时间学习多少张图片。数值越大，训练速度越快，内存占用越大，但收敛得慢。反之，数值越小，训练速度越慢，内存占用越小，但收敛得快。以512*512的图片为例，显存小于等于6g，batch size就老老实实地设置为1就行了；如果显存为12g以上的话，batch size就可以设置为4或者6。
这里提到一个收敛的概念，就是说你最后生成的图片，和原图越像，就说明收敛得越好。训练速度越快的话，就像一个人在快速地翻书，虽然很快翻完了，但是未必能全记得住，所以并不是训练速度越快越好。在一般情况下，我们增加并行数量，同时也会增加一些循环次数，让AI多看几遍书。
质量设置主要是用来影响产出LORA的一个最终质量，当然最终lora的好坏还需要通过XYZ去测试和看实际的loss值。
学习率指的是AI学习图片时的效率，学习率太高会出现过拟合，图片和素材太相似；学习率低会出现不拟合，图片和素材没关系。
1e-4是一种程序里的数学表达，实际上就是1除以10的4次方，即：
1e-4=1/10000=0.0001
1e-5=1/100000=0.00001
这三个数值呢，一般情况下我们保持默认就可以，如果想要调整的话，点击数值旁边的加减号就可以了，很直观。
网格维度：network dim决定了出图的精细度，就像细分网格一样。数值越高，会有助于AI学会更多的细节。同样，也不是数值越大越好，数值越大，学习越慢，训练时间越长，容易过拟合。
DIM为32时，输出的文件一般为40MB+；
DIM为64时，输出的文件一般为70MB+；
DIM为128时，输出的文件一般为140MB+；
| 场景 |
DIM |
备注 |
| 二次元 |
32 |
画风越复杂，dim越高 |
| 人物 |
32-128 |
常见主流lora大部分使用128 |
| 实物、风景 |
≥128 |
根据训练对象复杂度提升dim |
样图设置主要是用来控制在训练过程中的样图显示，这样我们能实时观测到训练过程中的效果。
sample every n steps为50，就代表着每50步生成一张样图。
prompts提示词可以预设一些效果，让样图进行显示，也可以自定义。
设置好参数之后，我们来训练集当中，正常情况下，我们要炼制lora的话，大概需要20-30张质量比较高的图片。这边虽然只有5张，不过我们可以先用起来。
先设置分辨率，常见的就是512*512，或者512*768。
等待预处理完成，就可以看到图片被处理成了脸部和上半身的聚焦图片。
进入TAG编辑当中，可以看到每张图片都被自动加上了标签，可以说是非常方便了。
纯英文的tag看起来还是有点费劲的，我们可以打开这个翻译设置来开启双语tag。
我们进入百度翻译开放平台，注册一个账号，点击“通用文本翻译”、
点击“免费体验通用文本翻译API”。
接下来会有注册为开发者的选项，大家可以注册个人开发者，按照流程填写即可。
注册好之后，进入开发者信息，就可以看到AppID和密钥了。
将信息填入，开启双语TAG，可以看到下面的tag就变成双语的了。
接下来就是检查每幅图的tag，看看描述词是否和人物匹配，删除不正确的，新增一些你需要的。
检查完没有问题之后，就可以点击“开始训练”，炼制我们的第一枚丹了。
# 炼丹
接下来就可以看到训练过程了，每训练50步，右下角就会生成一张图，方便查看目前的效果。
这个图会随着训练的进行越来越像，静下心慢慢等待吧。
训练完毕之后，这里会有一个loss值，这代表着一个深度学习的效果，数值在0.07-0.09之间是最优的，如果数值太大说明学习效果不好。
我们这个丹是0.0734，所以目前来看还是不错的。
然后我们点击这个模型文件夹，就可以看到我们的炼丹成果了。
一共有10枚丹，我们改一下名字，将第一枚丹的后缀改为“……000010”。
炼丹完成并不意味着结束，这些丹到底成不成功呢？我们还需要将这些丹放入SD当中，进行跑图测试。
不然的话，万一……
不可能，绝对不可能！
我们进入SD的lora文件夹中——E:\sd-webui-aki-v4.2\models\Lora，新建一个文件夹，命一个名字“tifa”。
打开lora选项卡，刷新一下，就可以看到这十个lora了。
我们将一张tifa的图片放入WD 1.4 标签器中，反推关键词，然后发送到文生图。
更改一下代表单词，将编号“00001”改为“NUM”，将权重“1”改为“STRENGTH”。
使用XYZ脚本，提示词替换，x轴设置为“NUM,000001,000002,000003,000004,000005,000006,000007,000008,000009,000010”；y轴设置为“STRENGTH,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1”。
这样就可以测试出不同的lora，在不同的权重之下的效果。
点击生成，经过一段时间的渲染，我们就得到了一张lora的测试图。
接下来，我们就要在茫茫多的tifa当中，用肉眼来寻找里面觉得最像的一张，这个过程是艰辛的，大家要坚持住，我们就快成功了。经过对比，我觉得编号00003在权重为1时是最像的，那就决定是你了！
接下来，我们就换一换提示词，使用选定的这个3号lora在不同提示词下生成一些图片，看看效果如何。
效果看起来还是不错的，这样我们的第一枚丹就算是炼好了，虽然不能说是一模一样，但还是有几分神似的，毕竟我们的训练图只有5张。
分享到这里告一段落，对丹炉感兴趣的朋友，可以添加我的公众号【白马与少年】，回复【炼丹】即可。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
