LCM Lora模型到底有多快

最新推荐文章于 2024-05-13 21:32:22 发布
最新推荐文章于 2024-05-13 21:32:22 发布
阅读量323 收藏
点赞数
文章标签： 哈希算法 算法
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/weixin_44184411/article/details/134834352
版权

a girl in park,<lora:lcm_lora_sdxl:1>,
Steps: 4, Sampler: LCM, CFG scale: 2, Seed: 2706003712, Size: 1024x1024, Model hash: e6bb9ea85b, Model: sdXL_v10VAEFix, VAE hash: 63aeecb90f, VAE: sdxl_vae.safetensors, Lora hashes: "lcm_lora_sdxl: 2fa7e8e56b09", Version: v1.6.1

Time taken: 15.6 sec.

上面是一次生成图像的结果，加载了SDXL基本库及refiner库，再加载vae, 通过LCM模型，生成1024x1024的图，在华硕矿卡40HX上跑完，用了15.6秒，如果不用LCM模型，通常需要1分钟以上。感兴趣的同学，赶快去试一下。

germandai
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
[Stable Diffusion进阶篇]LCM提示SD文生图效率，Lcm_lora使用体验
细节控-AI先行者的博客
12-10 1680
LCM 全称 Latent Consistency Models（潜在一致性模型），是清华大学交叉信息科学研究院研发的一款生成模型。它的特点是可以通过少量步骤推理合成高分辨率图像，使图像生成速度提升 2-5 倍，需要的算力也更少。官方称 LCMs 是继 LDMs（Latent Diffusion Models 潜在扩散模型）之后的新一代生成模型。
lora训练模型-lora-scripts-main.zip
08-13
LoRA训练脚本使用kohya-ss的训练器，用于扩散模型
针绣ai绘画大模型lora
09-18
针绣ai绘画大模型lora 针绣是一种刺绣形式，涉及使用针和线将装饰图案缝合到画布上。它通常是在坚硬的帆布网上完成的，该帆布网为针迹提供了网格。 在针绣中，设计通常预先打印或手绘到画布上，作为缝合过程的指南。然后，缝纫师使用各种类型的针迹，例如帐篷针迹、篮纹针迹或十字绣，来填充设计并创建纹理和彩色图案。 针绣允许广泛的设计可能性，从复杂而详细的图像到简单的几何形状或字母组合。线和颜色的选择增加了成品的深度和视觉趣味。 针绣是一种多功能工艺品，可用于制作各种物品，包括装饰性壁挂、枕头、钱包，甚至腰带或鞋子等服装配饰。它提供了个人表达和创造力的机会，允许缝合者定制设计并融入自己的艺术天赋。 刺绣的过程可以是放松和冥想的，因为缝合的重复性可以提供一种专注和平静的感觉。它还提供了一种为亲人创造持久传家宝或独特礼物的方法。 针绣有着丰富的历史，这种工艺的例子可以追溯到几个世纪前。它继续被各个年龄段的人练习和享受，将艺术表达与令人满意和愉快的缝合过程结合起来。
LoRa训练模型、技术应用
08-04
LoRa训练模型、技术应用
chatglm使用lora进行模型微调训练
06-24
chatglm使用lora进行模型微调训练，没有采用官方的方案，使用了另一种效果好的方案，对于显存特别友好，24g显存就能训练自己的垂直领域大模型训练了，效果还是非常的好的，适合自己机器不是很多的需要做实验的同学
SDXL 模型之 base、refiner 和 VAE
云水木石
08-04 1万+
在上一篇文章《Stable Diffusion 开源模型 SDXL 1.0 发布》中介绍了 Stable Diffusion 最新模型 SDXL。然而在下载模型时发现，模型有两个，分别是 stable-diffusion-xl-base-1.0、stable-diffusion-xl-refiner-1.0。开始也没有仔细看介绍，想当然的认为 refiner 模型肯定比 base 模型好。于是就下...
AI绘画再提速-stable diffusion LCM Lora模型简书
German2000的博客
12-06 1285
扩展阅读：LCM是当下最热点的AI技术之一，civita上已经有很多基于LCM的模型提供，可以获得比基础版本更优秀的出图体验，喜欢的同学可以直接去网站上打LCM关键词的模型来玩。尽管LCM出现时间不久，因为其速度提升很明显，获得了大家的好评，所以网上介绍LCM的文章也很多了，我这边就不仔细介绍了，如果具体安装想进一步了解的同学，可以留言或者私信我。在webui的扩展中增加sd-webui-animatediff插件，重启后，在采样器上找到LCM采样器，基础模型选SDXL, 其它用法参考方法一。
[AIGC] SDXL Turbo：实时提示
unity尧明的博客
01-07 279
SDXL 模型是经过微调的模型，经过训练可一步生成清晰的图像。如果 Stability AI 能够提供 Turbo 的 LoRA 版本那就太好了。我不确定技术障碍是什么，但如果可行的话，我们可以对任何 SDXL 模型进行一步操作！同样，训练 1024×1024 版本也很棒。SDXL 模型的部分吸引力在于更高的图像分辨率。SDXL Turbo 模型解决了这个问题。无法使用负面提示是一个缺陷。这极大地限制了模型的功能。
LCM/LCM-LoRA
whaosoft143ai的博客
11-15 441
一致性模型被指出在设计上具有单步生成的能力，展现出极大的加速扩散模型的生成的潜力。通过比较实际的推理时间和生成质量指标 FID，可以看到，潜在一致性模型相比于现有的最快的采样器之一的 DPM solver++ 能够在保持同等生成质量的前提下实现约 4 倍的实际推理时间加速。（2）将无分类器引导作为模型的一个输入参数蒸馏进潜在一致性模型中，在享受无分类器引导带来的更好的图片 - 文本的一致性的同时，由于无分类器引导幅度被作为输入参数蒸馏进了潜在一致性模型，从而能够减少推理时的所需要的计算开销；whaosoft
stable diffusion webui lora模型
04-07
stable diffusion webui lora模型 stable diffusion webui lora模型 stable diffusion webui lora模型 stable diffusion webui lora模型 stable diffusion webui lora模型 stable diffusion webui lora模型 stable ...
www.akmwzjt.net/index.php,FuseQRCode/index.html at 0221cc7b6cdc5324c71e1e2f67df0e1c466577f0 · Liam02...
热门推荐
weixin_29317963的博客
03-23 36万+
background-image: url("data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAUYAAABuCAIAAADUPS1IAAAACXBIWXMAAAsTAAALEwEAmpwYAAAAIGNIUk0AAHolAACAgwAA+f8AAIDpAAB1MAAA6mAAADqYAAAXb5JfxUYAAGwWSURBVHja7L1plJ3VdSZ...
chatglm2-2b+sdxl1.0+langchain打造私有AIGC（五）
2401_82601873的博客
01-23 1103
一步一步手把手分享如何基于ChatGLM/ChatGPT+langchain+stable diffusion（sdxl）打造自己的AIGC应用程序，包括环境配置，开源模型下载，加载，应用代码编写 本篇主要介绍如何将stable diffusion xl模型嵌入到自己编写的AIGC应用中，实现AI绘画，并且基于sdxl模型如何炼制lora模型进行微调，实现满足自己需求的AI绘画
【电脑版教程篇】AI绘画直接出图步骤 Stable Diffusion入门教程之提示词和生成图片步骤
白帽阿叁的博客
01-25 951
感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。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。
Java 7大排序
m0_74270127的博客
05-10 813
插入排序、希尔排序、选择排序、堆排序、冒泡排序、快速排序、归并排序
【算法】NOIP2003神经网络
最新发布
littlegengjie的博客
05-13 593
图中，X1—X3是信息输入渠道，Y1－Y2是信息输出渠道，C1表示神经元目前的状态，Ui是阈值，可视为神经元的一个内在参数。然后根据拓扑排序一次遍历该图的所有点（例如便利到点1，会遍历所有以点1位直接前驱的点），遍历点1之后，3、4、5的状态均为1，遍历点2之后3、4、5均为2，将所有输出点的状态减去阈值，就为最终状态。现在，给定一个神经网络，及当前输入层神经元的状态（Ci），要求你的程序运算出最后网络输出层的状态。再下面P行，每行由两个整数i，j及一个整数Wij，表示连接神经元i、j的边权值为Wij。
1080：余数相同问题
如果没有特别说明，c++都是基于GCC-4.9.2运行的
05-11 380
【代码】：1080：余数相同问题
找第二大的数（分治法）
2201_75525567的博客
05-11 302
这段代码通过递归的方式，将数组分为两半，并分别找出左半部分和右半部分的两个最大数，然后比较这四个数的大小，得到第二大的数。这段代码是用来找出数组中第二大的数的。
力扣阶段练习(1).消失的数字
2301_79475128的博客
05-11 840
恰好。这便是使用异或寻找缺失数的思路。
基座模型与lora模型分开部署
09-19
基座模型和LoRa模型是两种不同的技术模型，它们在应用场景和功能上有所不同，因此可以选择分开部署。 基座模型是指在软件架构中，将核心业务逻辑和基础设施分离的模式。它通过将基础设施和核心业务逻辑解耦，使得系统更加灵活和可扩展。基座模型可以将一些通用的功能，例如用户认证、权限管理、日志记录等模块集中在基础设施中，其他具体的业务功能则可以在不同的模块中进行开发。这种模式可以提高代码的复用性，简化系统的维护和扩展。 LoRa模型是指采用LoRa技术进行通信的模型。LoRa是一种低功耗广域网技术，适用于物联网等远距离无线通信场景。LoRa模型通常使用LoRa网关与终端设备进行通信，通过LoRaWAN协议实现设备之间的连接和数据传输。LoRa模型适用于需要远程监控、数据采集、传感器网络等场景，可以实现低成本、低功耗的无线通信。 将基座模型和LoRa模型分开部署可以实现代码的解耦和模块化。基座模型可以作为系统的基础设施，提供一些通用的功能。而LoRa模型则可以作为一个独立的模块，用于处理LoRa通信的相关业务。这样的分开部署可以使系统更加灵活和可扩展，降低不同模块之间的耦合度，提高系统的可维护性和可扩展性。 另外，分开部署还可以使得不同模型的开发团队专注于自己的领域，提高开发效率。基座模型的开发团队可以专注于基础设施的建设和维护，LoRa模型的开发团队则可以专注于LoRa通信相关的业务逻辑。这样的分工可以使开发过程更加高效和有序。 综上所述，基座模型和LoRa模型分开部署可以实现代码解耦、模块化开发，提高系统的灵活性和可扩展性，同时也提升了团队的开发效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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