家人们，我居然用Stable Diffusion训练了一个自己的lora！！

大家好，我是小鱼姐姐。

Stable Diffusion入门使用技巧及个人试用实例系列文章已经更新5篇了，今天准备给大家更新第六篇，个人如何最简单的训练lora。

先看最终炼丹效果吧：

暗黑女生：

提示词：

((masterpiece)),((best quality)), ((intricate)),((exquisite face)),((HD quality)),((masterpiece)),((best quality)),(Exquisite Face)

A young woman with a dark and mysterious vibe, dressed in black or deep, rich colors. Her clothing style might include gothic or alternative elements, such as lace, chokers, and dark makeup. Her hair could be styled in an unconventional way, possibly with unique colors or accessories, and her expression may convey a sense of enigma or intrigue.lora:xgirl-000008:1

可爱粉色系女生：

((masterpiece)),((best quality)), ((intricate)),((exquisite face)),((HD quality)),((masterpiece)),((best quality)),(Exquisite Face)

A lovely young woman with a sweet and charming appearance, her eyes sparkling with warmth and her smile bright and inviting. She might be wearing a cute and colorful outfit, with soft pastel hues and playful patterns. Her hair could be styled in a way that adds to her adorable demeanor, such as braids, pigtails, or soft curls. She may exude a sense of happiness and friendliness, making those around her feel at ease and uplifted.lora:xgirl-000008:1

紫色酷女孩：

提示词：( watercolor (medium), drawing, IrisCompiet:1.2), ((masterpiece)),((HD quality)), ((best quality)),((exquisite face))painting of a beautiful girl, full body,dark eyes, simple background ((rainbow theme)), sfw,colorfullora:xgirl-000005:1

下面是详细教程哦：

1.部署服务

(以下部署教程由我们开发人员整理）

1.1 下载源代码

git clone github.com/bmaltais/ko…

cd kohya_ss

1.2构建镜像

docker compose build

1.2 修改docker-compose⽂件

需要部署在可以访问外⽹的机器上，并默认机器上有GPU

根据服务器对外暴露端⼝修改端⼝号

version: "3.8"

services:

kohya-ss-gui:

container_name: kohya-ss-gui

image: kohya-ss-gui:latest

build:

context: .

ports:

界⾯端⼝

7861:7860

tensorboard对应端⼝

7862:6066

tty: true

ipc: host

environment:

CLI_ARGS: ""

SAFETENSORS_FAST_GPU: 1

tmpfs:

/tmp

volumes:

./dataset:/dataset
./.cache/user:/home/appuser/.cache
./.cache/triton:/home/appuser/.tritonLora
./.cache/config:/app/appuser/.config
./.cache/nv:/home/appuser/.nv
./.cache/keras:/home/appuser/.keras

deploy:

resources:

reservations:

devices:

driver: nvidia

device_ids: ['0']

capabilities: [gpu]

1.3 启动服务并在浏览器访问，根据上⾯的配置，浏览器访问服务器

ip:7861

docker-compose up -d

2. 训练Lora

2.1 数据集准备

1、挑选需要训练的数据集，并对数据集进⾏预处理，本次我选了29张类似风格的图片

2、在web ui界⾯选择train→ preprocess images

3、source directory:输⼊预先准备好的图⽚在容器内地址

4、destination directory: 处理后图⽚地址

5、设置处理后的宽度和⾼度

6、按需选择下⾯的功能，此处选择了auto focal point crop和use deepbooru for

caption

7、点击开始处理process

注：source directory可能会在处理时报错，没有权限,需要chmod 或者chown

2.2 Dreambooth LoRA

选择Dreambooth LoRA
Pretrained model：此处填写本地模型的地址

2.3 Tools界⾯

选择Tools

Instance Prompt：此处直接填写了默认的asd
Class prompt：根据你训练的类型填写Lora模型训练步骤（基于kohya_ss)
Training images：预处理完毕的训练集在容器内的路径
Repeats：图⽚重复数
Repeats：此处没有⽤到Regularisation images,所以repeat填了0
Destination：训练结果保存的⽬录，容器内地址，此处⽂件夹f6可以不存在，后⾯会

⾃动创建

Prepare：点击会创建7所填写的地址，会⾃动创建⽬录f6，并根据上⾯的设置，构建

基础⽬录，

最终⽣成的模型会保存在容器内的/dataset/xtt中

Copy Info：点击会将配置的⽬录⽂件⾃动填写在Folder⻚⾯中

2.4 Folders界⾯

选择Folders
输⼊模型最终输出名称

2.4 Training parameters界⾯（最关键）

公式：step = 图⽚数量 * repeat * epoch / batch size

主要修改了6个地⽅，batch size， epoch， number of cpu， seed， network rank，

network alpha，可以根据⾃⼰的机器和个⼈实际情况进⾏修改。

最核心的超参数：

微调模型时最重要的超参数就是：学习率（learning Rate），epoch，batch size，steps，

epoch：表示训练过程中使用所有样本数据的遍数

batch size：指的是在一次迭代（更新模型权重）中使用的训练样本的数量

steps/iterations：更新模型权重的次数

举例说明：假设训练样本图像200张，batch size为4，那么每1遍epoch的steps为：样本数 200/batch size 4 =50步。Number of Steps per Epoch = (Total Number of Training Samples) / (Batch Size)

learning Rate：拟合数据过程中每次迭代的步长，相当于模型训练/微调过程中通向目标地的步子大小，步子太小了速度会很慢，太大的话容易振荡甚至直接爆炸。见图3