embedding模型训练
注意：如果是6G显存，使用384分辨率， 8G以上可以使用512分辨率的图片。
下面我们直接进入主题。
首先我们进行一些基础的设置。
1、设置->训练，勾选，屏蔽VAE,如果主模型下有VAE,可以进行改名进行屏蔽。
2、设置->反推设置，反推：deepbooru按字母阈值，取消，同时分数阈值设置在0.7就可以,新手建议0.7-0.75。
分数阈值如果开的越低，那么保留的图片原始细节越多，反之这个参数开的越高，过滤掉的标签越高训练的模型保持的细节也就越少。
保存以上配置。
接下来就开始进入今天的主题了。
主页面上选择“训练”，创建嵌入式模型。
名称随便起一个，这里我们使用negan_first，每个词元(token)的向量数新手推荐设置在6-8，这里设置成7。
点击创建嵌入式模型。
可以看到右边系统帮我们创建了negan_first.pt的模型文件。
接着就是准备训练的素材了，保底30张，推荐50-100张（必须是正方形），这里使用的是512*512，画风尽量保持统一。
在sd的根目录下创建个文件夹train/negan_first,在negan_first文件夹下继续创建input和output文件夹。将我们准备的50张图片放到input。
接着回到我们的webui界面，点击“图像预处理”，将刚才的input路径填写在源路径，目标路径填写output的路径（此处都使用了绝对路径）。 同时勾选“Keep original size”、“创建水平翻转副本”、“使用 BLIP 生成标签 (自然语言)”三个选项。设置完成后点击“预处理”进行处理。
等待完成以后，就可以在output文件夹里面查看了。一个文本对应一个图片。
接下来就是真正的训练了，点击“训练”。
如上图所示“嵌入式模型”就选我们创建的negan_fitst,其他参数保持默认，提示词模板选择subject_filewords.txt（角色）。
高度和宽度保持512，数据集目录就是上一步的output，日志目录随便填一个，这里为了方便，直接在train下面建了个log文件夹。步数给个1万就行。
配置完成后，点击训练嵌入式模型，接下来就是漫长的等待了。
完成以后，我们就可以使用我们训练的模型了。
直接到文生图，点击“显示/隐藏模型"的按钮，在嵌入式模型中找到我们的”negan_first“模型，直接点击，然后加上对应的提示词，就可以生成图片了。
