哩布哩布AI（LiblibAI）每月5次LoRA训练怎么用？

1. 准备工作

• 数据准备：收集并整理用于训练的图像数据，确保图像质量良好且符合训练目标。
• 训练环境：确保你的设备满足训练要求，通常需要一台具备GPU的计算机。

2. 参数设置

• 模型输出设置：
  • 指定模型输出目录，例如/content/drive/MyDrive/Lora/output。
  • 设置输出模型名称，如bighand。
  • 选择保存模型格式，默认为safetensors。
• 学习率设置：
  • 设置unet_lr（Unet学习率），默认值为0.0001。
  • 设置text_encoder_lr（文本编码器学习率），通常为Unet学习率的十分之一，如0.00001。
  • 选择学习率调度器（lr_scheduler），一般使用默认值。
• 采样参数设置：
  • 设置每N轮采样一次（Sample every n epochs），通常设置为1。
  • 设置采样提示词（Sample prompt），用于在训练过程中生成图像以观察训练进展。

3. 开始训练

• 确认参数：点击“全部参数确认”，生成toml参数与采样配置文件，并保存配置文件。
• 启动训练：点击“开始训练”，并设置总训练步数。通常总训练步数不低于1500，不高于5000。计算公式为：
• \text{总训练步数} = \frac{\text{图片数量} \times \text{每张图片训练步数} \times \text{训练轮次}}{\text{batch_size}}

4. 模型测试与选择

• 保存模型：训练完成后，模型文件会保存到指定的输出目录。
• 测试模型：
  • 将训练好的LoRA模型放入stable-diffusion-webui/models/Lora目录。
  • 在Stable Diffusion WebUI中加载基础模型和LoRA模型，设置提示词和参数。
  • 使用XYZ plot脚本进行模型对比测试，设置X轴为模型序号，Y轴为权重值，生成对比图。
  • 通过对比图选择表现最佳的模型和权重值。

5. 使用最佳模型

• 规范化命名：将选出的最佳LoRA模型进行规范化命名，如bighand_lora_v1。
• 加载使用：在创作时加载该模型，即可使用训练好的LoRA模型进行创作。

注意事项

• 数据质量：确保训练数据的质量和多样性，以提高模型的泛化能力。
• 参数调整：根据训练结果调整学习率、训练步数等参数，以优化模型性能。
• 硬件要求：LoRA训练需要一定的硬件支持，建议使用具备GPU的设备进行训练。