Lora模型
1. Lora模型tag
1.1 打tag路径
1.2 打tag准备
还有一个重要的点，就是你想固化的特征不要去打tag，打的tag不是单纯的对图片进行描述，还要考虑到是否是变量， tag尽量都是变量，也就是说是你期望模型生成的时候可以根据你的文字改变的。举个例子，一个红头发女孩，如果tag里面有red hair，AI会认为这个是可变量，后面模型生成的时候你输入white hair就可以生成白发女孩，但如果tag里面没有red hair，AI会认为红发是这个女孩的本身特征是固定的，即使模型后面输入white hair，生成的女孩也只会是红发不会变白发。
如何从零开始训练一个高质量的LoRA模型 – 哔哩哔哩 (bilibili.com)
参考这篇博客对于tag部分的说明。所以总而言之，tag是变量，是未来想灵活调整的可以被替换的内容，如果不想被替换的就不要写。
————————————————
版权声明：本文为CSDN博主「不学能干嘛」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_59805198/article/details/135070297
1.3 分类进行打tag
视频：lora训练教程
2. Lora模型训练核心参数
2.1 步数相关 repeat / epoch / batch_size
2.1.1 image训练集tag文本
2.1.2 repeat
2.1.3 epoch
epoch多轮次比单轮次要好，通过设置可以每轮保存一组模型，多轮次说明有多组模型，得到好概率的可能是比单轮次就一个模型的概率是要高的，epoch一般设置5~10；
epoch=repeat*图片数量
2.1.4 batch_size
取决硬件
同一时间学习几张图片
收敛;AI最终出来的图片跟你的原图有多像，原图越像，收敛越好
batch_size加大，收敛越慢
batch_size要是高，一是可能显存带不动，二是值越高训练越快 越可能学得囫囵吞枣收敛得慢。
BS从1到2，Ir就要*2
2.1.5 total optimization steps(总训练步数)
2.2 速率/质量相关 Ir学习率 / Dim网络维度 / Optimizer优化器
2.2.1 学习率
2.2.2 Network dimension(Dim网络维度)
### 2.2.3 Optimizer(优化器)
3. 参数和模型之间的联动关系
3.1 只调整repeat
3.2 只调整repeat和epoches
3.3 只调整学习率
4. 新手参数建议
版权声明：本文为博主作者：qq_49326297原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/qq_49326297/article/details/135494610
