SD模型微调之LoRA

已于 2024-12-16 12:01:29 修改
阅读量1.9k 收藏 34
点赞数 48
分类专栏： AIGC—图像 # Finetune 文章标签： 人工智能 深度学习 SD 扩散模型 aigc stable diffusion
于 2024-12-16 10:33:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/haopinglianlian/article/details/144499730
版权
SD模型微调方法LoRA详细介绍，包括数据集准备，模型微调过程，推理过程，优缺点等。

 🌺系列文章推荐🌺

扩散模型系列文章正在持续的更新，更新节奏如下，先更新SD模型讲解，再更新相关的微调方法文章，敬请期待！！！（本文及其之前的文章均已更新）

​扩散模型​相关知识点参考：小白也能读懂的AIGC扩散（Diffusion）模型系列讲解

目录

论文

概念

核心原理

优点

训练过程

（1）预训练模型加载

（2）选择微调的层

1. LoRA 优化的层

（1）Cross-Attention（跨注意力）层

（2）Self-Attention（自注意力）层

2. LoRA 如何优化这些层

（1）原始线性层的操作

（2）LoRA 的低秩矩阵分解

（3）优化的关键步骤

3. 推理过程中如何应用优化？

4. 为什么选择优化这些层？

（3）低秩分解

（4）训练 LoRA 的低秩矩阵

前向传播（Forward Pass）

反向传播（Backward Pass）

（5）防止过拟合

推理过程

（1）加载微调后的 LoRA 权重

（2）输入文本条件

（3）图像生成

（4）控制与调节

文章

使用技巧

论文

论文地址：https://arxiv.org/abs/2106.09685

概念

LoRA（Low-Rank Adaptation of Large Language Models）是一种用于高效微调大规模预训练模型的技术，特别适用于参数量巨大的模型，如 GPT-3、BERT 或 Stable Diffusion 等。LoRA 提供了一种解决方案，使得在进行模型微调时，只需要微调非常少量的参数，同时保持与全量参数微调相近的性能表现。

核心原理

LoRA（Low-Rank Adaptation of Large Language Models） 的核心原理是通过低秩分解来减少大规模模型微调时需要更新的参数量，以此实现更高效的模型微调。它特别适用于像 GPT-3、BERT 或 Stable Diffusion 这样的预训练大模型，在微调这些模型时，LoRA 通过引入两个低秩矩阵来替代直接更新整个权重矩阵，从而显著降低了计算成本和存储需求。

核心思想：假设预训练模型中的权重矩阵 W 很大。LoRA 的基本思想是将它的更新部分 ΔW 分解为两个秩更小的矩阵 A 和 B 的乘积，从而减少需要更新的参数量，并且仅仅更新这两个矩阵。而不是更新整个 W 矩阵，保持预训练模型的原始性能。

​

通常来说，对于矩阵A，我们使用  随机高斯分布  初始化，并对矩阵B使用  全0   初始化，使得在训练初始状态下这两个矩阵相乘的结果为0。这样能够保证在训练初始阶段时，SD模型的权重完全生效。

小型任务：一般 r 取 1 到 4。

中型任务：通常 r 取 4 到 8。

复杂任务：一般 r 取 8 到 16。

来源：https://zhuanlan.zhihu.com/p/639229126

优点

  • 大幅减少参数更新量：通过对权重矩阵进行低秩分解，LoRA 只需要更新非常少的参数，而不是整个模型的参数。这大大降低了存储需求和计算成本。
  • 保持模型的原始性能：LoRA 冻结SD模型的权重，因此微调后的模型依然可以利用预训练模型的知识。
  • 模块化更新和可插拔设计：LoRA 的权重调整是通过 A 和 B 进行的，在推理时也可以轻松应用，不需要重新加载整个模型。LoRA 训练出的 A 和 B 矩阵是可以独立保存的。在推理时，你可以在不同任务之间快速切换，而不需要重新训练模型。

训练过程

LoRA 微调的训练过程可分为以下几个步骤：

（1）预训练模型加载

首先，加载一个预训练的 Stable Diffusion 模型。这个模型已经在大规模的文本图像数据集上进行了训练，具备强大的生成能力。LoRA 的目标是在该预训练模型上微调，只需调整极少的参数。

（2）选择微调的层

在 Stable Diffusion 模型中，LoRA 通常作用于模型中的线性层（主要在注意力模块的 Q、K、V 的三个权重矩阵W）。具体来说，LoRA 会对 U-Net 中的 cross-attention 机制、自注意力机制的线性层等进行调整。

  • LoRA 通过对这些线性层中的权重矩阵进行低秩分解（主要在注意力模块的 Q、K、V 权重），并引入两个低秩矩阵 A 和 B，通过这些矩阵来调整权重变化。

LoRA 主要作用于 U-Net 网络中的 注意力机制相关的线性层，特别是用于跨模态交互的 Cross-Attention（跨注意力）层 以及 Self-Attention（自注意力）层。

1. LoRA 优化的层

在 Stable Diffusion 的 U-Net 中，主要有两种注意力机制：自注意力机制（Self-Attention） 和 跨注意力机制（Cross-Attention）。LoRA 主要对这些注意力层中的 线性层 进行优化，特别是以下几个部分：

（1）Cross-Attention（跨注意力）层
  • Cross-Attention 是 U-Net 中的核心机制，它负责将图像的潜在特征（Latent Feature）与文本嵌入（Text Embedding）进行结合。通过跨注意力机制，模型可以从文本提示中获取信息，调整图像生成的内容。
  • 在 Cross-Attention 中，LoRA 主要针对用于生成 Query (Q)、Key (K) 和 Value (V) 的线性变换层【​】进行优化。这些层分别处理输入特征和文本嵌入，并计算注意力权重。
（2）Self-Attention（自注意力）层
  • Self-Attention 是 U-Net 内部的图像特征交互机制，负责在图像的不同区域之间进行特征相互作用，从而捕捉到图像的全局依赖关系。
  • 在 Self-Attention 中，LoRA 也对生成 Query (Q)、Key (K) 和 Value (V) 的线性层进行优化。
2. LoRA 如何优化这些层

LoRA 通过将注意力机制中的 线性层（例如，用于生成 Q、K、V 的线性变换层）进行低秩分解，从而减少参数更新量。具体的优化方式如下：

（1）原始线性层的操作

在注意力机制中，通常会对输入特征进行如下操作：

  • 输入特征 X 会通过线性层进行映射，生成 Query (Q)、Key (K) 和 Value (V)，具体公式为：

    ​
（2）LoRA 的低秩矩阵分解

与原始公式直接更新整个 W_Q、W_K 和 W_V​ 矩阵相比，在 LoRA 中通过使用两个更小的矩阵 A 和 B 来表示这些矩阵的变化。

  • LoRA 通过引入 低秩分解 对权重矩阵进行调整： W_Q、W_K 和 W_V 被表示为预训练权重加上一个低秩矩阵的调整：

    ​
（3）优化的关键步骤
​
3. 推理过程中如何应用优化？

在推理阶段，LoRA 的优化部分通过如下方式应用于模型：

  • 应用权重更新：在推理过程中，LoRA 使用微调后的低秩矩阵 A 和 B，并将它们加到原始的权重矩阵中。例如，计算 Q 时：

    ​

  • 这个更新后的权重矩阵确保模型能够在保持原始生成能力的同时，生成包含定制内容的图像。

4. 为什么选择优化这些层？

LoRA 选择优化 Attention 层中的线性层 有以下原因：

  1. Attention 层是核心：在 Stable Diffusion 的 U-Net 中，Attention 层（特别是 Cross-Attention 层）是将图像生成与文本提示结合的关键部分。对这些层进行优化，可以直接影响模型如何将文本信息传递给图像生成过程。

  2. 低秩分解的有效性：对于大型模型中的全连接层，低秩分解可以在不显著影响模型性能的情况下，显著减少参数更新量。Attention 层中的权重矩阵往往是高维的，因此通过 LoRA 对它们进行低秩分解能大幅降低训练成本。

  3. 减少计算开销：注意力机制中的线性层通常参数量大且计算密集，通过 LoRA 的低秩分解，可以在降低计算复杂度的同时保留模型的生成能力。

LoRA：只会对 部分 Cross-Attention 和 Self-Attention 层进行局部调整，调整层主要是哪些？

U-Net 中确实包含多个分辨率下的 Self-Attention 和 Cross-Attention 层，但 LoRA 的微调是有选择性的，并不会对每一个 Attention 层进行微调。LoRA 的设计初衷是通过低秩矩阵分解的方式只微调关键的 Attention 层。

LoRA 通常会优先选择在以下部分进行微调，而不会对整个 U-Net 中的所有层进行调整：

（1）瓶颈部分的 Attention 层

  • 理由：瓶颈部分位于 编码器和解码器之间，是整个 U-Net 中分辨率最低的层级。这个部分的特征代表了全局的高层次信息和抽象概念。瓶颈部分的 Cross-Attention 层进行微调，因为这一部分的 Attention 负责将文本嵌入（来自 CLIP）与图像的潜在特征结合。由于这一部分影响整个生成过程的全局结构和语义，微调这里的 Cross-Attention 层可以最大化对文本提示的响应。

（2）解码器中的高分辨率层 Attention

  • 理由：解码器的高分辨率层在解码器靠近输出的层中。这些层逐步将潜在特征映射回高分辨率图像，负责生成最终图像的细节，微调这些层的 Self-Attention 和 Cross-Attention 机制有助于确保图像的细节和纹理质量。LoRA 选择性地微调这些层以保持生成细节的精准度。

（3）部分中间层

  • 理由：中间层出现在编码器部分和解码器部分的中间位置，即编码器将分辨率逐步降低时或解码器逐步上采样时的过渡层。在某些任务中，特别是需要全局一致性时，LoRA 可能会对部分中等分辨率层进行调整。这通常只针对某些关键的中间层，而不会全面覆盖所有中间层的 Attention 层。

其他的层不会进行改变。
DreamBooth会更改全部的Attention层。

（3）低秩分解

对于每个需要微调的层，LoRA 将该层的权重矩阵 W 进行低秩分解：

​

（4）训练 LoRA 的低秩矩阵

在 LoRA 的训练过程中，我们仅训练 A 和 B 这两个低秩矩阵，而保持模型中原始的权重 W_0不变。这种方法显著减少了需要更新的参数量，降低了训练开销。

具体流程：

  1. 图像和文本输入：使用包含图片和文本描述的数据对模型进行训练，类似于 Stable Diffusion 的预训练任务。

  2. 损失函数：LoRA 的损失函数与原始 Stable Diffusion 的损失函数类似，主要通过预测噪声残差来进行训练。损失函数通常是均方误差（MSE），公式如下：

    ​

  3. 只更新低秩矩阵：在反向传播时，LoRA 只更新 A 和 B，而保持预训练模型的其余部分不变。通过这样的方法，模型能够在少量参数更新的情况下学会新的任务。

更详细的过程：

前向传播（Forward Pass）

输入数据准备：

  • 输入包括图像和文本描述，这些输入会通过文本编码器（如 CLIP）和 Stable Diffusion 的 U-Net 进行特征提取。

权重替换：

​

生成 Q、K 和 V 矩阵：

  • 对于输入的图像特征和文本嵌入，模型通过线性层生成 Q、K 和 V 矩阵：

​

  • 这里 W_Q​、W_K​ 和 W_V​ 表示 Attention 层的线性层权重。在 LoRA 微调时，这些权重扩展为：

​

  • 在前向传播时，使用这些新的 Q、K、V 权重来计算 Attention 输出。

计算注意力分数：

  • 得到 Q 和 K 矩阵后，通过点积计算 Attention 分数，并使用 Softmax 进行归一化，以确定图像特征和文本特征的相关性：

​

  • 其中，d_k​ 是 Q、K 的维度，用于缩放以稳定梯度。这一步将重要特征赋予更高权重。

应用注意力分数到 Value 矩阵：

  • 将注意力分数应用到 V 矩阵上，生成注意力聚合后的输出特征：

​

  • 这一步的输出包含了从输入特征中提取的重要信息，带有新任务的特征细节。

注意力输出用于生成潜在噪声预测【TODO，待补充】

损失计算：

  • 根据前向传播的输出，通过损失函数（通常为均方误差 MSE）计算预测噪声残差与目标的差异：

​

反向传播（Backward Pass）

计算损失的梯度：

  • 根据损失函数 L，计算损失相对于 A 和 B 的梯度：

​

锁定原始权重矩阵 W_0​：

  • 在反向传播过程中，LoRA 只更新 A 和 B，而保持原始的权重矩阵 W_0  不变。这保证了预训练的知识不会被破坏，同时通过 A 和 B 的更新来适应新任务特征。

更新低秩矩阵 A 和 B：

  • 根据梯度，用优化算法（如 Adam）对 A 和 B 的参数进行更新：

​

  • 这里 η 是学习率，更新后的 A 和 B 让模型在不改变预训练权重的前提下适应新任务的特征。

（5）防止过拟合

为了避免微调时模型过拟合到新数据集，LoRA 引入了正则化技术，并且通常通过选择较小的秩（rank）来限制低秩矩阵的参数量。较小的秩 r 能够确保模型在学习新任务时不会丢失原有的生成能力，同时避免过拟合。

  • 小型任务（简单图像生成、基本文本任务）：一般 r 取 1 到 4。对于简单任务，这样的秩通常能够捕捉到足够的特征变化，并且显著减少了微调参数。

  • 中型任务（如在特定风格或特定场景下生成图像）：通常 r 取 4 到 8。这种秩设置在保持微调效率的同时，能够适应稍复杂的任务。

  • 复杂任务（高分辨率图像生成、大规模定制化）：一般 r 取 8 到 16。对于非常复杂的生成任务，较高的秩可以捕捉到更细致的特征，但会增加参数量和计算开销。

推理过程

推理过程与标准的 Stable Diffusion 推理过程类似，但会在原始模型的基础上加上 LoRA 的调整部分。

推理的流程如下：

（1）加载微调后的 LoRA 权重

  • 在推理阶段，我们需要加载预训练的 Stable Diffusion 模型 和 微调得到的 LoRA 权重（即 A 和 B 的值）。这些权重通常是很小的存储文件，容易加载和应用。
  • 模型的推理过程会利用原始权重 W0​ 和微调得到的 ΔW=AB。

（2）输入文本条件

  • 用户可以输入一个文本描述，作为 Stable Diffusion 模型生成图像的提示。这个文本描述会通过 CLIP 模型编码为 文本嵌入（Text Embedding），并作为条件输入到生成过程。

（3）图像生成

  • 在推理时，LoRA 通过原始权重 W0​ 加上训练时得到的 ΔW 生成最终的图像：

    ​
    • 其中，x 是输入的潜在向量或图像特征，y 是经过 LoRA 微调后的生成结果。

  • 模型会通过一系列反向扩散步骤，逐步去除噪声，生成符合输入文本描述的图像。

（4）控制与调节

  • 通过调整输入的文本提示，用户可以灵活控制生成图像的风格、内容和其他细节。
  • LoRA 提供了模块化设计，可以轻松替换不同的 LoRA 微调权重，以适应不同的任务和数据集。例如，可以在同一个模型上应用多个不同的 LoRA 微调权重，以生成不同风格或内容的图像。

文章

SD模型微调之LORA及其变种介绍

使用技巧

使用 LoRA 进行 Stable Diffusion 的高效参数微调

https://huggingface.co/blog/lora
全世界 LoRA 训练脚本，联合起来!https://huggingface.co/blog/sdxl_lora_advanced_script
LoRA使用脚本训练Unet和text encoder全过程https://huggingface.co/docs/diffusers/training/lora

使用set_adapters加载LoRAS以进行推断，自定义适配器强度

https://huggingface.co/docs/diffusers/main/en/tutorials/using_peft_for_inference

负载适配器，加载Dreambooth、Textual inversion、LoRA、IP-Adapter

https://huggingface.co/docs/diffusers/using-diffusers/loading_adapters#LoRA

https://huggingface.co/docs/diffusers/using-diffusers/merge_loras

Lora可以于其他的手段一起使用，可以和tectual inversion和dreambooth一起使用。

lora在更改模型时候主要改unet，也可以对text encoder进行微调

扩散社区中的LoRA检查点几乎总是通过DreamBooth获得。

​

AIGC文生图lora微调训练案例；SD-Train界面训练stable Diffusion lora模型
weixin_42357472的博客
07-03 1314
lora仓库（1000多个lora微调模型分享）：参考：tab=readme-ov-file （微调脚本基本也是上面官方diffusers的例子）训练时间有点久，200轮。
diffusers中sd的微调和lora微调
liguandong
09-14 1469
【代码】diffusers中sd的微调和lora微调。
手把手教你用LoRA训练自己的Stable Diffusion模型
m0_59162248的博客
03-04 882
Stable Diffusion大家已经很熟悉了，那么如何训练自己的sd模型呢，今天我就介绍一下用LoRA训练sd的方法。我们以Chilloutmix为例，Chilloutmix可以生成好看的小姐姐。为了实验LoRA的能力，我们用小哥哥的图片对它进行微调，看效果如何。
SD模型微调之解读LORA及其变种介绍
haopinglianlian的博客
12-17 2019
解读高赞LoRA文章，主要内容是LoRA的变种及其优化。
SD模型微调之DreamBooth
分享包括但不限于计算机基础知识、数据结构与算法、Golang技术栈。年与时驰，意与日去，遂成枯落，多不接世，悲守穷庐，将复何及！
11-19 2167
SD模型微调方法DreamBooth详细介绍，包括数据集准备，模型微调过程，优缺点等。
SD之lora训练
热门推荐
蓝天白云
12-09 1万+
训练自己的模型可以在现有模型的基础上，让AI懂得如何更精确生成/生成特定的比如，你下载了一个人物的大模型checkpoint，但是你想生成特点的人物，比如迪丽热巴，AI大模型是不知道迪丽热巴长什么样子的，这个使用lora就派上用场了。要注意的是，对于一些基础东西，比如长头发、短头发、黑色头发、棕色头发，这些AI 都是知道的，lora并不是做这个的。
SD模型微调之Textual Inversion和Embedding fine-tuning
haopinglianlian的博客
12-20 1079
SD模型微调方法Textual Inversion详细介绍，包括数据集准备，模型微调过程，推理过程，优缺点等。
SD-Trainer：基于Stable Diffusion的模型微调实战指南
gitblog_00106的博客
09-12 973
SD-Trainer：基于Stable Diffusion的模型微调实战指南 sd-trainer 项目地址: https://gitcode.com/gh_mirrors/sd/sd-trainer ...
AI绘图的场景应用：文生图、图生图
qq_41314882的博客
03-15 5112
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
（2023，微调节，多纵横比训练，细化模型）SDXL：用于高分辨率图像合成的改进的潜在扩散模型
qq_44681809的博客
09-19 2494
本文提出一种改进的用于文本到图像合成的潜在扩散模型 SDXL。与之前的稳定扩散相比，SDXL 利用了三倍大的 UNet 主干，设计了多种新颖的调节并在多种纵横比上训练。 还引入一种提高生成保真度的细化模型。
SDXL微调5分钟入门
新缸中之脑
10-07 1483
微调（Fine Tuning）是采用预先训练的模型并使用更多数据对其进行训练以创建更适合特定任务的新模型的过程。你可以在自己的图像上微调 SDXL 等图像生成模型，以创建更适合生成特定人物、物体或风格的图像的新版本模型。对于大多数用户来说，BLIP 生成的训练标题效果很好。但是，你可以通过将 captions.csv 文件添加到为训练提供的输入图像的 zip 文件中来提供自己的标题。每个输入图像都需要有相应的标题。captionimage_fileSDXL微调简明教程 — BimAnt。
LoRA为什么只对部分层微调？
qq_42755230的博客
10-11 1293
总结了LoRA只对部分网络层微调的多种原因
【思考】为什么大模型lora微调经常用在attention的Q和V层而不用在K层呢
weixin_45225032的博客
02-27 4168
LoRA（Low-Rank Adaptation）通常在模型微调时被用于Transformer模型的注意力（Attention）机制中，尤其是在查询（Query, Q）和值（Value, V）层，而不是键（Key, K）层。这种选择背后有几个原因，主要涉及到模型效率、特定层的作用以及对最终性能的影响。
如何微调出自己的大模型——LoRA原理解析
sdksdf的博客
06-05 1367
上一篇文章，我们已经讲了隐扩散模型——Stable Diffusion生成大模型。这种大模型，参数量及其之大。你没有足够的算力资源，就只能够使用人家已经训练好的大模型。既然没有办法训练属于自己的模型，那我们就想，是否可以在别人已经训练好的大模型的基础上，用我们自己的训练数据，对模型进行微调，从而得到我们想要的模型。github.com[如何微调出属于自己大模型？——LORA原理解析-哔哩哔哩]
大模型全量微调和 LoRA 微调：一看就懂
xiangxueerfei的博客
07-08 3462
最后我们做一个总结，首先全量微调就是针对于这些每个参数的学习，就是我要通过学习的方法，把这里的每个参数都要一个一个的要把它算出来。那相反，在LoRA的模式下，我们实际上要得出来的是这个矩阵，但是我们学习的方法是用于学习这两个矩阵来替代它。然后这两个矩阵所占用的参数的数量要比它要小很多，所以就会节省非常多的资源。
使用 LoRA 进行高效稳定的扩散微调
AI生成式技术曾小健
06-05 1132
正如我们所讨论的，LoRA 的主要优势之一是您可以通过训练比原始模型大小少几个数量级的权重来获得出色的结果。让我们看看它是如何工作的。首先，您使用文本反转技术向模型教授一个新概念，获得一个新的标记嵌入来表示它。尽管 LoRA 最初是为大型语言模型提出的，并在 transformer 块上进行了演示，但该技术也可以应用于其他地方。在我们确定了用于使用 LoRA 进行微调的基础模型之后，我们加载了一个正常的稳定扩散管道。如需使用 LoRA 训练您的 Dreambooth 模型的快速、便宜且简单的方法，请查看。
SD lora 下载和使用
最新发布
03-14
### 如何下载和使用 SD LoRA 模型 #### 安装依赖环境 为了能够顺利运行 Stable Diffusion (SD) 和其扩展功能，例如 LoRA 模型，首先需要搭建好基础开发环境。通常情况下，这可以通过 Docker 镜像或者本地 Python 虚拟环境完成[^1]。 对于 AWS 用户而言，可以利用 `Stable Diffusion AWS Extension` 提供的功能来简化部署流程。具体来说，该工具包提供了预配置的脚本以及文档指导用户快速启动实例并加载所需资源。 #### 获取LoRA模型文件 一旦基本框架已经就绪，则可转向获取特定类型的权重参数——即所谓的“LoRA”(Low-Rank Adaptation) 模型。这些轻量级调整层允许我们仅需存储少量额外数据即可实现定制化效果而无需重新训练整个网络结构[^4]。 访问公开仓库如 GitHub 上由社区维护的相关项目页面（例如 Akegarasu 开发者分享的内容），按照说明执行以下命令克隆代码库并拉取对应版本号下的资产： ```bash git clone https://github.com/Akegarasu/lora-scripts.git cd lora-scripts ./install.bash ``` 上述过程会自动处理依赖关系并将必要的组件安装到位以便后续操作。 #### 加载与应用LoRA模块 当所有前期准备工作完成后，在图形化管理界面上找到选项卡切换至 “Training”，这里支持通过简单的 GUI 界面设置超参从而开启针对个人需求的数据集进行finetune作业[^2] 。值得注意的是，默认路径可能指向某些示例图片作为输入源材料；因此如果希望用自己的素材参与学习进程的话记得上传替换掉默认值。 另外值得一提的地方在于每次保存增量更新后的成果都会生成新的pt/pytorch格式存档可供导出共享给他人体验相同风格转换能力的同时也保留原始大模型不变部分减少冗余重复计算开销[^3]. 最后提醒一点就是务必遵循开源协议条款合理合法范围内运用此类先进技术造福社会而非滥用造成不良后果. ```python from diffusers import DiffusionPipeline pipeline = DiffusionPipeline.from_pretrained("path_to_your_lora_model") image = pipeline(prompt="a photo of an astronaut riding a horse").images[0] image.save("./astronaut_rides_horse.png") ``` 以上片段展示了如何基于自定义LoRA模型创建图像实例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值