前言
之前已经讲过SDXL_LORA,SD1.5_LORA训练过程，基本说的比较清楚了，有兴趣可以去看看，下面我将讲解一下SD1.5大模型的炼制。
SDXL_LORA：https://tian-feng.blog.csdn.net/article/details/132955577
SD1.5_LORA：https://tian-feng.blog.csdn.net/article/details/132133361
DreamBooth 是一种定制个性化的 TextToImage 扩散模型的方法。仅需少量训练数据就可以获得极佳的效果。Dreambooth 基于 Imagen 研发，使用时只需将模型导出为 ckpt，然后就可以被加载到各种 UI 中。
然而，Imagen 的模型和预训练的权重都不可用。所以最初的 Dreambooth 并不适用于稳定扩散。但后面 diffusers 实现了 Dreambooth 这一功能，并且完全适配了 Stable Diffusion。
模型炼制
数据准备
和LORA一样，裁剪成512x512的大小后打tag，数据处理参考之前文章，不赘述了，数据的多少根据你的任务来（真人，二次元，画风），先别急，最好听我把流程讲完，你再准备数据开始炼制。
二次元：20-50（建议抠图填白，脸部训练影响不大，不过自己可以试试，说不定效果更好）
真人：50-100张（建议抠图填白，加强脸部训练）
画风：1000往上
这只是参考区间，如果你的图片质量都是一级棒。那当然是越多越好，别强行为了数量把一些一般照片放进去，可能数量上去了，反而训练的很烂。
假设我来炼制一个真人模型，这是我的数据集，只是打个样
抠图后，赛博丹炉下有两个文件夹，分别是裁剪后的人物和脸型
之后把你的底膜准备好，与你图片炼制风格相近的，之后一起压缩上传百度网盘，这样是为了下载方便，因为你可以新建一个文件夹在Autodl和百度云盘共享一个空间，如果手动拖动文件到Autodl，那真是速度很慢；特别是大模型2个G，这个教程请看SDXL_LORA文章，这个不难，中文教程说的很明白了，一步步按他说的弄。
Autodl炼制
https://www.autodl.com/create
直接搜素dreambooth就出来了，立即创建
镜像名： Akegarasu/dreambooth-autodl/dreambooth-autodl:v3 打开终端，把系统盘的dreambooth-aki移动到数据盘中，因为系统只有30G，数据盘有50G，
mv /root/dreambooth-aki/ /root/autodl-tmp/ ipython kernel install --user --name=diffusers 下载diffusers内核等下测试用 点击ipynb文件训练脚本
直接方式：简单但上传速度一般
文件放置路径：模型文件直接放到model-sd，数据集图片直接放到instance-images，手动拖动即可
间接方式：需要建立共享空间但上传速度快
下载完文件在Autodl-tmp路径下
强调：最好都是压缩zip上传，解压指令如下
unzip /root/autodl-tmp/dreambooth-aki/文件名.zip 移动文件
数据集移动 mv /root/autodl-tmp/dreambooth-aki/文件名/* /root/autodl-tmp/dreambooth-aki/instance-images/ 模型移动 mv /root/autodl-tmp/dreambooth-aki/模型名 /root/autodl-tmp/dreambooth-aki/model-sd/ mv是move意思，把文件从源地址移动到目的地址
数据准备完毕
训练参数
autodl-tmp/dreambooth-aki/dreambooth-aki.ipynb
其实秋叶大佬讲的挺清楚了，基本改一下文件路径即可，直接一步步运行，不管我还是一步步讲一下
定义了一些模型转换文件和全局变量等等，直接Ctrl enter运行，
秋叶已经转换好了一个动漫底膜，在model-hf下，之前我们已经把真人底模放在了model-sd中，把model.safetensors改成自己底模的名字，运行后自动覆盖model-hf下文件
可以看到分完后，模型被拆解为文本编码器，分词器，unet，vae
bocchitherock改成一个自己命名的tag（但是不存在的英文单词），就像触发词一样，这样进行训练文本编码器会把这个词和你训练的图片画风挂钩，你的自定义tag更容易生成你训练图片的画风
Instance Image你所训练的目标数据集。 Instance Prompt（就是自定义tag）
默认实现为全局共享一个 prompt, 就是把这个tag放到所有训练图片标签中 Class/Regularization Image 就是正则化，应该为 自动生成 即 auto-generated 的图像，用于检测 AI 的先验知识。不应该放任何非 AI 生成的图像。自动生成不用管 Class Prompt 就是根据你训练的人物写一个简单的tag，例如训练一个女孩模型，就是1girl再加点质量词
基本不用改动，运行
这两个不用改直接运行
# 常用参数 我就不一一讲了，有兴趣看看我sdxl_lora训练，参数讲的挺清楚了，没有的我讲一下 ## 最大训练步数 max_train_steps = 3000 #二次元步数3000-5000；真人5000-10000；画风那就使劲把 ## 学习率调整 learning_rate = 5e-6 #默认数值，根据训练loss调整， ## 学习率调整策略 ## ["linear", "cosine", "cosine_with_restarts", "polynomial", "constant", "constant_with_warmup", "cosine_with_restarts_mod", "cosine_mod"] lr_scheduler = "cosine_with_restarts" lr_warmup_steps = 100 train_batch_size = 1 # batch_size num_class_images = 20 # 自动生成的 class_images 数量 with_prior_preservation = True #训练人物开启；训练画风关闭 train_text_encoder = False # 训练文本编码器 use_aspect_ratio_bucket = False # 使用 ARB # 从文件名读取 prompt read_prompt_from_filename = False # 从 txt 读取prompt read_prompt_from_txt = False append_prompt = "instance" # 保存间隔 save_interval = 500 #没多少步保存，基本得1000以上要不你数据盘保存几个就满了 # 使用deepdanbooru use_deepdanbooru = False # 高级参数 resolution = 512 gradient_accumulation_steps = 1 seed = 1337 log_interval = 10 clip_skip = 1 sample_batch_size = 4 prior_loss_weight = 1.0 #越低则越难过拟合，但是也越难学到东西。 # 一种学习率调度策略，通常用于训练深度学习模型时的优化器。这个策略的主要思想是随着训练的进行， #逐渐减小学习率的大小，以帮助模型更好地收敛。 scale_lr = False scale_lr_sqrt = False # 同上 gradient_checkpointing = True pad_tokens = False debug_arb = False debug_prompt = False use_ema = False #only works with _mod scheduler restart_cycle = 1 last_epoch = -1 基本调这几个就行
Finetune基础学习率：3e-6;自动打标准确率：0.35以上
batch size:
小样本集(百张级别)3以内可以开scale/sqrt Ir 大样本集（千、万张）能开多大是多大 步数：百张左右1w步图片多的情况5 epoch以上确定batch_size后就是调你的学习率了，运行
可以接着上次结果训练，第一次，不用运行，直接到启动训练运行完事
然后转换为ckpt文件，修改你output下保存的模型名，就可以转换了，运行
接下来就是测试了，可以大概看一下你的模型是否还行决定是否下载，但是和本地不太一样，可能效果差一点。修改测试的模型名，和上面一样
运行
总结
其实模型的炼制只是一部分，现在所有的大模型都是在原始模型基础上一步步进行微调，因为想重新自己炼制一个大模型，对于我们来说基本不可能，但是微调却让我们都能参与进来，可以看到，现在sd1.5的生态圈在不同作者的努力下，已经百花齐放；
模型创作者更像一个调酒师，就像之前看到的麦橘大佬所说，基于不同的大模型不同比例融合，如何融出一个更好的大模型，这点好像大家都知道，但是都不怎么说这个事，毕竟公开融合他人模型多多少少会有点问题，所以我也浅谈为止，以后有机会再细说把！！！
dreamdreamboothprompt大模型sdxl数据集自动生成二次元文本编码文件夹debug自定义数据准备tpu百度网盘tokenclipcodecreate模型创作
