SD-Trainer安装及使用-Dreambooth

SD-Trainer是Stable Diffusion进行LoRA训练的webui。有了SD-Trainer,只需要少许图片,每个人都能够方便快捷地训练出属于自己的模型,进行个性化的创作。

DreamBooth是一种训练技术,通过对主题或风格的少数图像进行训练来更新整个扩散模型。它的工作原理是将提示中的一个特殊单词与示例图像相关联。

我们先选用秋叶版的SD-Trainer,根目录下有几个目录关注一下

图片

双击启动后"A启动脚本"。按如下设置

训练使用模型设置:model_train_type:sd-dreambooth

图片

数据集设置:train_data_dir:./train/dog (指定训练使用数据集目录 )

图片

保存设置:output_name: model_dog (指定生成模型名称)

图片

完成设置后,可以看到整体设置情况。

点击“开始训练”

图片

图片

使用我们生成的模型文件model_dog.safetensors.

图片

如果想自己试着安装一下,可以从以下地址下载源码

https://github.com/Akegarasu/lora-scripts

在Windows下运行install.ps1完成安装。

复制一个基础的模型文件例如v1-5-pruned.safetensors到sd-models目录下

图片

在Windows下运行install.ps1完成安装

在Windows下运行rui-gui.ps1开始启动,启动后的页面与秋叶版一致。

### 关于 FLUX 和 SD-Trainer 的技术概述 FLUX 是一种由 Facebook 推出的应用架构模式,主要用于前端开发中的数据流管理。它通过单向数据流动的方式解决了传统 MVC 架构中的一些复杂性和耦合问题[^2]。在这种模式下,应用的状态被集中存储在一个称为 Store 的地方,所有的状态更新都必须经过 Dispatcher 来分发 Action。 SD-Trainer 并不是一个广泛使用的标准术语或框架名称,在公开的技术文档中并未找到明确的相关定义。然而,基于其命名推测,“SD”可能代表 Software Defined 或 Smart Data 等概念,而“Trainer”则暗示了一种用于训练模型或者优化算法的工具或方法。如果将其置于机器学习领域,则可以理解为某种针对特定任务(如神经网络参数调整)设计的自动化训练器[^3]。 以下是关于这两个主题更详细的讨论: #### FLUX Framework 实现细节 在实际项目中实现 Flux 可以采用多种方式,其中最常见的是借助 Redux 库来简化 State Management 过程。尽管严格来说 Redux 不完全属于经典的 Flux 模型范畴,但它继承并扩展了许多核心理念。下面是一个简单的 React + Redux 示例展示如何构建基本的数据流向结构: ```javascript // 定义 action 类型 const ADD_TODO = 'ADD_TODO'; // 创建 action creator 函数 function addTodo(text) { return { type: ADD_TODO, text }; } // 初始化 reducer 函数 const initialState = []; function todos(state = initialState, action) { switch (action.type) { case ADD_TODO: return [...state, action.text]; default: return state; } } // 配置 store import { createStore } from 'redux'; let store = createStore(todos); // 订阅变化事件 store.subscribe(() => console.log(store.getState())); // 发送 actions 到 dispatcher 中处理 store.dispatch(addTodo('Learn about flux')); ``` 此代码片段展示了完整的 Flux 循环流程:从创建 Actions 开始到最终触发 UI 更新结束[^4]。 #### 假设下的 SD-Trainer 使用场景 对于假设性的 `sd-trainer` 工具而言,如果没有具体官方说明作为依据的话,我们只能依靠逻辑推理来进行阐述。比如它可以是用来执行监督学习过程的一个模块化组件;或者是用来配置分布式计算资源从而加速大规模数据分析工作的平台服务端接口等等[^5]。 考虑到现代软件工程实践中强调可维护性和效率提升的趋势,任何类似的解决方案都应该具备如下特性之一或多者组合: - 支持多线程/异步操作以便充分利用硬件性能; - 提供友好的图形界面让用户能够直观监控进度以及调试错误; - 能够无缝集成第三方库例如 TensorFlow/Keras 等主流深度学习框架; 由于缺乏确切描述材料支持上述观点,请确认目标对象的确切含义后再做进一步探讨。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

duhaining1976

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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