任务内容:了解文生图的工作流平台工具ComfyUI,了解Lora微调的基本原理,了解如何准备高质量数据集。
认识ComfyUI
ComfyUI 是GUI的一种,是基于节点工作的用户界面,主要用于操作图像的生成技术,ComfyUI 的特别之处在于它采用了一种模块化的设计,把图像生成的过程分解成了许多小的步骤,每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程,这样用户就可以根据需要定制自己的图像生成过程。
核心模块:
模型加载器:Load Checkpoint用于加载基础的模型文件,包含了Model、CLIP、VAE三部分.
CLIP模块将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入.
采样器:用于控制模型生成图像,不同的采样取值会影响最终输出图像的质量和多样性。采样器可以调节生成过程的速度和质量之间的平衡.
解码器:VAE模块的作用是将Latent space中的embedding解码为像素级别的图像.
ComfyUI图片生成流程
选择合适的文到图AI模型-->在可视化界面连接节点组成完整工作流程,输入必要的参数-->运行工作流,根据结果作相应调整修改。
Lora微调原理
在预训练模型的关键层中加入低秩矩阵。它们通常被设计成具有较低维度的参数空间,这样就可以在不改变模型整体结构的情况下进行微调。在训练过程中,只更新这些低秩矩阵,保留原始模型的大部分权重。
对Lora rank 的认识
rank,即秩。该参数决定了微调中引入的低秩矩阵的维度。例如原始权重矩阵为dxk,则可将其分解为dxr和rxk的两个矩阵之积。r即为rank参数的大小。r越大,可能引入越多训练参数,使模型的适应和学习能力更强,但也相应增加了计算资源的需求。在数据集规模较小或计算资源有限时则可以采用小的r值。
对Lora alpha 的认识
该参数定义了lora的学习率缩放因子,类似常规训练模型中的alpha,该参数影响低秩矩阵的·更新快慢。较大的alpha值会使得学习速度更快,但也有振荡导致的训练结果不稳定的风险