从零开始，炼制你的第一个LoRA

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。

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。

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

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+；

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。

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。

点击“免费体验通用文本翻译API”。

# 炼丹

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”。

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。

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！