基本介绍

大家好，欢迎各位来到本期Lora模型的训练课程。

我(huo)在这里主要对模型训练的各个方面做一个深入浅出的总结，将和大家一起学习探讨，在AIGC大潮中让我们更好使用LoRA模型来进行绘画生成。

在2022年AIGC时代到来之后，LoRA（Low-Rank Adaptation of Large Language Models）无疑成为了AI绘画领域与Stable Diffusion（SD）系列配合使用最多的模型。

SD模型+LoRA模型的组合，不仅创造了很多脑洞大开的风格、人物以及概念，并且大幅降低了AI绘画的成本，同时提高了AI绘画的效率和灵活性，让更多的人真真切切地感受到了AI绘画的力量，加速了AI绘画领域的破圈式繁荣。

比如下图中展示的各种效果

市面上，在各个模型网站有如此多的LoRA模型，你是不是也想自己尝试生成一个自己的模型！

你可能在其他地方多多少少已经接触或者学习了Lora模型的训练，但是接触的应该基本上都是整体的大概训练流程，自己虽然理解流程，真的上手去训练有太多的因素会导致最终的训练模型质量

课程主要覆盖的内容（但会更新）

本期课程作为主讲内容

是关于Lora模型的训练，适用于想要学习Lora模型训练基础知识以及进阶提升的同学，而且包含SDXL的LORA模型训练教程。

Lora模型的训练大体可分为人物、物品、画风的训练，

而关于物品的Lora模型训练和人物的Lora训练基本类似。

学习LoRA微调的长期前景

虽然LoRA模型是一个相对较新的概念，但它具有巨大的潜力，主要体现在以下几个方面：

1. 局部化风格调整：LoRA模型专注于局部风格调整，可以在图像的特定区域内更细致地调整风格，而不会影响其他区域。这种能力使得LoRA模型在图像编辑和增强领域有着广泛的应用前景，例如人像美化、景观增强等。
2. 细粒度控制：LoRA模型可以实现对图像风格的细粒度控制，用户可以通过指定局部区域和相应的风格参考图像，实现对该区域风格的定制化调整。这种能力使得LoRA模型在个性化图像编辑和艺术创作方面具有很大潜力。
3. 模型可解释性：LoRA模型的设计理念相对简洁明了，其基于图像块的局部风格调整方法使得模型的工作原理较为直观和易于理解。这种模型可解释性有助于用户更好地理解和控制模型的行为，进而更灵活地应用于实际场景中。
4. 通用性与扩展性：LoRA模型可以与各种图像风格转换模型结合使用，例如CycleGAN、StarGAN等，从而扩展了其在不同领域的应用。此外，LoRA模型的设计理念也可以扩展到其他任务领域，如视频风格转换、文本风格转换等。
5. 用户交互体验：LoRA模型的局部风格调整功能为用户提供了更灵活的交互体验，用户可以根据自己的需求和偏好，在图像的特定区域内进行定制化的风格调整，从而更好地实现个性化需求和创意表达。

硬件要求：

本期课程主要针对的是:

电脑配置显卡内存>=8G的用户

但是对于配置较差，又想要进行Lora模型训练的同学，我们给出了线上云端训练的方式讲解.

降低学习门槛和对电脑配置要求，同时还可以满足在云端训练Lora模型的同学需求（因为它们的原理、方式、参数调整都是大致相同的）。

一些准备：

相信学习完课程之后，通过你的灵活运用和自行探索，也可以在此课程基础上，使用市面上常用的炼丹工具（如赛博丹炉等）进行更加便利的Lora模型的训练。

因此，学习本课程的同学，需要之前已经了解或者已经运用过RA/SD 软件。

推荐一些基础课程： 

1. 大模型的概念

2. LoRA的概念和常用推荐