2023.05.30：

• 使用金字塔噪声，增加图像质量。

• Applying "Diffusion With Offset Noise" to enhance image quality.

• 尝试加强腰部附着物的拟合程度，代价是没有头部的图像出现概率变大。

• Attempting to improve the fit of waist attachments, at the cost of increased probability of images without heads.

• 如果出现没有头部的图像，请尝试在负面提示词添加lower body。

• If images without heads occur, please try adding 'lower body' to the negative prompt.

2023.04.22：

• 重新校对文本集，提示词的准确有所上升。

• Reviewed the text dataset again, and the accuracy of prompt words has improved.

• 增加训练步数，提升拟合程度。

• Increased the number of training steps to improve the fitting level.

2023.04.13：

这是我第一次进行LoRA训练，出现问题的地方我未必知道如何解决。

This is my first time training with LoRA, and there may be issues that I am not sure how to solve.

~~大就是好。~~

~~bigger is better.~~

?

Training Set：

• number of repeats = 2

  • close-up = 10

  • portrait = 10

  • upper body = 10

  • lower_body=10

  • cowboy shot = 10

  • full body = 10

  • pose = 15

  • other clothing = 10

  • ornament_waist = 10

• number of repeats = 4

  • nsfw = 30

  • chibi = 5

• number of images = 130

• number of epochs = 19

  !/bin/bash

  LoRA train script by @Akegarasu

  Train data path | 设置训练用模型、图片

  pretrainedmodel="./sd-models/model.ckpt" # base model path | 底模路径 isv2model=0 # SD2.0 model | SD2.0模型 2.0模型下 clipskip 默认无效 parameterization=0 # parameterization | 参数化 本参数需要和 V2 参数同步使用 实验性功能 traindatadir="./train/1.formidable-default" # train dataset path | 训练数据集路径 regdatadir="" # directory for regularization images | 正则化数据集路径，默认不使用正则化图像。

  Network settings | 网络设置

  networkmodule="networks.lora" # 在这里将会设置训练的网络种类，默认为 networks.lora 也就是 LoRA 训练。如果你想训练 LyCORIS（LoCon、LoHa） 等，则修改这个值为 lycoris.kohya networkweights="" # pretrained weights for LoRA network | 若需要从已有的 LoRA 模型上继续训练，请填写 LoRA 模型路径。 networkdim=32 # network dim | 常用 4~128，不是越大越好 networkalpha=16 # network alpha | 常用与 networkdim 相同的值或者采用较小的值，如 networkdim的一半 防止下溢。默认值为 1，使用较小的 alpha 需要提升学习率。

  Train related params | 训练相关参数

  resolution="768,768" # image resolution w,h. 图片分辨率，宽,高。支持非正方形，但必须是 64 倍数。 batchsize=2 # batch size maxtrainepoches=20 # max train epoches | 最大训练 epoch saveeverynepochs=1 # save every n epochs | 每 N 个 epoch 保存一次

  trainunetonly=0 # train U-Net only | 仅训练 U-Net，开启这个会牺牲效果大幅减少显存使用。6G显存可以开启 traintextencoderonly=0 # train Text Encoder only | 仅训练 文本编码器 stoptextencodertraining=0 # stop text encoder training | 在第N步时停止训练文本编码器

  噪音

  noiseoffset="0" # noise offset | 在训练中添加噪声偏移来改良生成非常暗或者非常亮的图像，如果启用，推荐参数为0.1 keeptokens=2 # keep heading N tokens when shuffling caption tokens | 在随机打乱 tokens 时，保留前 N 个不变。 minsnrgamma=0 # minimum signal-to-noise ratio (SNR) value for gamma-ray | 伽马射线事件的最小信噪比（SNR）值 默认为 0

  金字塔噪声

  multiresnoiseiterations=6 # 多分辨率（金字塔）噪声迭代次数 推荐 6-10。无法与 noiseoffset 一同启用。 multiresnoisediscount=0.3 # 多分辨率（金字塔）衰减率 推荐 0.3，须同时与上方参数 multiresnoise_iterations 一同启用。

  Learning rate | 学习率

  lr="3.5e-5" # 3.5e-5=3.510^(-5)=0.000035 unetlr="3.5e-5" # 3.5e-5=3.510^(-5)=0.000035 textencoderlr="3e-6" # 3e-6=3.0*10^(-6)=0.000003 lrscheduler="cosinewithrestarts" # "linear", "cosine", "cosinewithrestarts", "polynomial", "constant", "constantwithwarmup", "adafactor" lrwarmupsteps=0 # warmup steps | 学习率预热步数，lrscheduler 为 constant 或 adafactor 时该值需要设为0。 lrrestartcycles=1 # cosinewithrestarts restart cycles | 余弦退火重启次数，仅在 lrscheduler 为 cosinewithrestarts 时起效。

  Output settings | 输出设置

  outputname="1.formidable-default" # output model name | 模型保存名称 savemodel_as="safetensors" # model save ext | 模型保存格式 ckpt, pt, safetensors

  Resume training state | 恢复训练设置

  savestate=0 # save state | 保存训练状态 名称类似于 -??????-state ?????? 表示 epoch 数 resume="" # resume from state | 从某个状态文件夹中恢复训练 需配合上方参数同时使用 由于规范文件限制 epoch 数和全局步数不会保存 即使恢复时它们也从 1 开始 与 networkweights 的具体实现操作并不一致

  其他设置

  minbucketreso=256 # arb min resolution | arb 最小分辨率 maxbucketreso=1024 # arb max resolution | arb 最大分辨率 persistentdataloaderworkers=0 # persistent dataloader workers | 容易爆内存，保留加载训练集的worker，减少每个 epoch 之间的停顿 clipskip=2 # clip skip | 玄学 一般用 2

  优化器设置

  optimizer_type="Lion" # Optimizer type | 优化器类型 默认为 AdamW8bit，可选：AdamW AdamW8bit Lion SGDNesterov SGDNesterov8bit DAdaptation AdaFactor

  LyCORIS 训练设置

  algo="lora" # LyCORIS network algo | LyCORIS 网络算法 可选 lora、loha、lokr、ia3、dylora。lora即为locon convdim=4 # conv dim | 类似于 networkdim，推荐为 4 convalpha=4 # conv alpha | 类似于 networkalpha，可以采用与 conv_dim 一致或者更小的值 dropout="0" # dropout | dropout 概率, 0 为不使用 dropout, 越大则 dropout 越多，推荐 0~0.5， LoHa/LoKr/(IA)^3暂时不支持