stable diffusion其他微调方法

textual inversion

• 发布时间：2022

• 目标：与DreamBooth一样，都是想要微调模型生成特定目标或风格的图像

• 方法：通过在vocabulary中添加一个额外的embedding来学习输入的新特征。预训练模型的所有参数都锁住，只有新的embedding被训练
  

• DreamBooth与textual inversion区别

  • 微调参数不同：前者微调所有参数，后者只训练新加的embedding
  • 新token的添加方式：前者是在原有字典中找到一个罕见的word来学习新概念且利用了类别先验学习，而后者是在原有字典中添加了一个新的embedding从头训练。DreamBooth相当于改变那个罕见词汇的含义，textual inversion是添加新词汇
  • 先验保留方式：DreamBooth通过先验保留损失来保证模型原来的认知不变（语言漂移），而由于textual inversion之前的vocabulary是锁住的，因此不会被改变也不需要添加相关损失
  • 模型大小：DreamBooth更大，textual inversion更轻量
  • 效果：textual inversion效果一般，现在也很少使用。个人认为可能是embedding缺少先验，难以训练，且参数较少微调能力不够

T2I Adaptor

• 发表时间：与ControlNet同期，2023
• 目标：与ControlNet一样，对图像生成进行控制
• 方法：与ControlNet很相似，也是额外添加了一个小网络，然后将权重添加到Unet的encoder中（实验结果显示加在encoder中效果较好）。
  
  RB指残差模块
• 与ControlNet比较
  • 权重添加位置不同，分别是Unet的encoder和decoder
  • 额外的网络结构不同，ControlNet是copy了Unet的block，而T2I的外加网络结构与Unet无关
  • 在实践中，ControlNet效果稍好

AdaLora

• 没有代码以及WebUI插件
• 基于Lora的改进：Lora中低秩分解的秩是人为指定的且是统一的，考虑到参数矩阵需要fine tune的秩可能是不一样的，提出自适应的秩，根据其重要性来进行秩的指定（参数分配）。在保证参数总数的情况下提升fine tune的性能
• 方法：
  • 可以基于svd分解的特征值确定特征向量的重要性，但是svd分解非常耗时，实际操作中并不现实。于是使用三个矩阵模拟，其参数是训练更新的，为了保证U和V的正交性，引入惩罚项
  • 但是如果直接使用中特征值绝对值大小评判特征向量的重要程度在实验中效果并不好。于是作者将损失对参数的求导结果作为该特征向量的重要性分数，对分数排序，去除分数低的特征向量。（这里对分数做了历史平滑，也考虑前面step中的重要性）
  • Lora中处理的是qkvo，本文处理的是qkv和feedforward中f1，f2，因为在消融实验中发现微调f1,f2也很重要
    
• 比较
  • 对Lora实现了参数动态分配，并将低质分解从attention层中扩展了feedforward层

LyCORIS：Lora的其他补充方式

WebUI可以使用，使用较多的是LoCon和LoHa

LoCon：Lora for convolution

• 将Lora扩展到卷积层。
• 方法：
  • 在代码上只是将低了卷积的输出通道数
  • 理论：将一个卷积核（一个通道）展开，可以看成是参数矩阵的一列。将所有卷积核按列排布可以得到类似于transformer中的参数矩阵，即卷积操作也是矩阵相乘。通过降低channel数再提高channel数实现降低参数量的目的
    

LoHa：LoRA with Hadamard Product representation

• 对Lora的改进，将hadamard product应用到矩阵低秩分解中。

• 总结
  • LoCon和RoHa都能实现更细粒度的微调。LoCon可以对实现更细粒度的控制，从全图的调整优化为细粒度的部件调整。RoHa更注重于低秩矩阵分解本身，引入Hadamard Product，将秩的维度 从2R扩展到 R^2。这两个插件都包含在LyCORIS库
  • Lora可以和其他微调方法一起使用以降低微调参数量，常用的是和DreamBooth一起降低参数量
  • 这些方法需要的数据量都较小。一般来讲，微调的参数量越多，需要的数据量也越大（DreamBooth例外）
  • 一般而言，数据越多，效果越好