AMP256_wf_610万迭代美女高参万能底丹，高参模型分享

最新推荐文章于 2025-03-17 17:18:03 发布
最新推荐文章于 2025-03-17 17:18:03 发布
阅读量1.4k 收藏 22
点赞数 15
CC 4.0 BY-SA版权
分类专栏： DFL 文章标签： 底丹 万能底丹 模型 DFL AMP
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.youkuaiyun.com/u010291330/article/details/136792615
本文介绍了610万迭代的AMP模型底丹，强调了其高效成型能力。建议使用高显存（16G以上）的GPU进行训练，同时提供了详细的系统配置建议，如虚拟内存设置和导出直播模型的注意事项。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

AMP610万迭代万能底丹：点击下载

610万AMP模型底丹，带变形因子，在这个基础上继续训练模型，能快速成型，600万迭代AMP模型还是比较稀有的

发到其他论坛老是被删，发到这里赚点积分用用
ae_dims: 512
inter_dims: 2048
e_dims: 128
d_dims: 128
d_mask_dims: 72


看这几个参数就知道是不是好模型了，绝对的高参数底丹，建议显存16g以上继续训练，显卡12G的电脑训练模型带不起来
系统高级设置里边，虚拟内存设置100G以上，导出直播模型的时候虚拟内存达到100G了


网盘里边包含底丹模型 和 导出的直播丹


 

  1. ========================模型概要========================
  2.                                                 
  3.                   模型名字: shendan_AMP              
  4.                                                 
  5.                   当前迭代: 6107299                 
  6.                                                 
  7. ----------------------模型选项----------------------
  8.                                                 
  9.     retraining_samples: True                    
  10.             resolution: 256                     
  11.              face_type: wf                     
  12.      models_opt_on_gpu: True                    
  13.                ae_dims: 512                     
  14.             inter_dims: 2048                    
  15.                 e_dims: 128                     
  16.                 d_dims: 128                     
  17.            d_mask_dims: 72                     
  18.           morph_factor: 0.5                     
  19.             preview_mf: 1                       
  20.        masked_training: True                    
  21.              eyes_prio: False                  
  22.             mouth_prio: False                  
  23.            uniform_yaw: True                    
  24.          loss_function: SSIM                    
  25.          blur_out_mask: False                  
  26.              adabelief: True                    
  27.             lr_dropout: y                       
  28.            random_warp: False                  
  29.       random_hsv_power: 0.05                    
  30.      random_downsample: False                  
  31.           random_noise: False                  
  32.            random_blur: False                  
  33.            random_jpeg: False                  
  34.          random_shadow: none                    
  35.       background_power: 0.05                    
  36.                ct_mode: none                    
  37.           random_color: False                  
  38.               clipgrad: True                    
  39.               use_fp16: False                  
  40.                cpu_cap: 8                       
  41.        preview_samples: 4                       
  42.     force_full_preview: False                  
  43.                     lr: 5e-05                  
  44.        autobackup_hour: 1                       
  45.           session_name:                        
  46.      maximum_n_backups: 24                     
  47. write_preview_history: False                  
  48.            target_iter: 0                       
  49.        random_src_flip: False                  
  50.        random_dst_flip: True                    
  51.             batch_size: 10                     
  52.              gan_power: 0.2                     
  53.         gan_patch_size: 64                     
  54.               gan_dims: 16                     
  55.          gan_smoothing: 0.1                     
  56.              gan_noise: 0.0                     
  57.                                                 
  58. ----------------------运行信息----------------------
  59.                                                 
  60.                   设备编号: 0                       
  61.                   设备名称: NVIDIA GeForce RTX 4090
  62.                   显存大小: 20.85GB        

AMP610万迭代万能底丹：点击下载 

大语言模型架构基础与挑战
WeLearnNLP
04-27 189
大语言模型（Large Language Model, LLM）在近几年引领了自然语言处理领域的革命性进展。这类模型通常拥有极其庞大的参数规模（往往达到数十亿乃至数千亿级别），通过对海量文本数据进行自监督训练，展现出卓越的语言理解和生成能力。自2018年前后第一批大语言模型问世以来，基于Transformer架构的模型（如BERT和GPT系列）在各种NLP任务上取得了前所未有的成绩。大语言模型之所以能够取得成功，一方面归功于其底层强大的模型架构设计，另一方面也依赖于大规模数据训练所带来的知识获取。
大模型在商品属性抽取与标准化中的应用
AI天才研究院
10-21 1161
大模型概述 大模型的概念与原理 大模型（Large-scale Models），通常指的是具有海量参数的深度神经网络模型。这类模型通过大量的数据训练，具备强大的特征提取和表征能力，能够在各种任务中达到出色的表现。大模型的核心在于其深度和宽度，深度决定了模型的非线性表达能力，而宽度则决定了模型处理数据的能力
DFL《384底丹 430万》 wf/df-udt/448/96/96/32预训练模型
u010291330的博客
03-17 2645
=======================模型概要========================模型名字: 384_SAEHD。当前迭代: 4313541。----------------------模型选项--------------------------------------------运行信息----------------------显存大小: 19.35GB。设备名称: NVIDIA GeForce RTX 4090。
【炼丹进阶】模型训练底层基础知识
AARG_FAN的博客
08-09 330
大家最近sd都学的差不多了吧，来整点深度学习的基础知识啃啃吧。 这次邀请了我的好朋友麦哥来深入浅出地讲讲什么是深度学习和神经网络，（ 数学系+data sicience+大厂大哥），让我们一起来入门，一起玩转底层。 ...
40+重量级DFLab合成模型含各种神丹底丹万能模型合集分享
u010291330的博客
03-24 2634
之前玩DFL软件积累下来的资源，部分模型非常稀缺，之前买的都很贵，现在不玩了，分享给有缘人，懂货的自然懂。必须懂得怎么用再下载，否则对你没有任何价值。
简单尝试DeepFaceLab（DeepFake）的新AMP模型
Shion's bla bla blog
02-09 1万+
AMP对应amplifier（放大器），因为目标的面部表情被放大到源脸。 这个模型可以控制`morph factor`（变形因子）参数,可以在合成前指定 `0.0` 到 `1.0` 的参数值……
调用了 args[0] 但是不想输入参数怎么办_DeepFaceLab修改模型参数 batchsize
weixin_40002846的博客
12-01 319
常常遇到这个的问题。大神，出错了怎么办？OOM了，bs改小一点，或者调低参数。怎么改？=======今天就来说演示下如何修改参数。1.参数的分类首先要说明的是模型的参数分两种，一种是只有一起次创建的模型的时候才能设置的参数，另外一种是随时可以修改的参数。比如 像素resolution，脸类型face_type，结构archi，ae_dim,e_dims,这些参数挺重要，但是都是不可修改的...
AI大模型在智能安防系统中的创新与挑战
AI天才研究院
11-05 1018
AI大模型在智能安防系统中的创新与挑战 关键词： AI大模型、智能安防、人脸识别、深度学习、隐私保护、算法公平性 摘要： 本文将深入探讨AI大模型在智能安防系统中的
AI 大模型创业：如何利用管理优势？
AI天才研究院
10-10 823
AI 大模型创业：如何利用管理优势？ 关键词： AI 大模型、创业、管理优势、团队建设、项目管理、法律与伦理、未来展望 摘要： 本文将深入探讨AI大模型创业过程中的
AI大模型在电商平台供应链优化中的应用
AI天才研究院
10-12 1091
《AI大模型在电商平台供应链优化中的应用》 关键词：AI大模型、电商平台、供应链优化、库存管理、需求预测 摘要：本文将深入探讨AI大模型在电商平台供应链优化中的
DFLab美女全套模型+训练素材SRC（2.7W）+DST（6.3W）+直播DFM+Model
u010291330的博客
03-17 3624
2）专题特训：挑选带上/下牙的DST人脸文件放入DST的aligned文件夹，挑选带上/下牙的SRC人脸文件放入SRC的aligned文件夹，model文件放入model文件夹，点击6) 训练重量级模型 train SAEHD，按照7步法调整参数优化（见截图）；1）常规训练：DST人脸文件放入DST的aligned文件夹，SRC人脸文件放入SRC的aligned文件夹，model文件放入model文件夹，点击6) 训练重量级模型 train SAEHD，按照7步法调整参数优化；
[从零开始学DeepFaceLab-16]: 使用-命令行八大操作步骤-第6步：模型的选择与训练 - 进阶 - SAEHD模型训练参数详解与优化
热门推荐
文火冰糖（王文兵）的博客
05-07 3万+
目录 前言 第1章 SAEHD模型训练参数详解 1.1 SAEHD参数汇总（默认） 1.2 参数详解 第2章 SAEHD模型训练关键参数优化 2.1 泛化能力优化 2.2 收敛速度优化 前言 学会了基本操作之后，你出来的效果也许并不理想。或者说你需要在速度和性能之间做一个平衡，或者你想要更高的清晰，更加完美的融合效果。这个时候你就需要自己去设置参数了。 DeepFaceLab 提供了很多可以设置的参数，且不同的模型有不同的参数，因此有些参数是公共的，有些参数是模型特有的。 参数的修正，
pytorch基于GAN生成对抗网络的数据集扩充
qq_45904885的博客
11-24 3万+
GAN对抗生成网络可以在数据集量少不足的情况下，根据这部分少量的数据集的特征来生成更多的新的数据集达到数据集扩充的目的，把扩充生成的数据加入到其它模型的训练中可以增加其泛化能力。这篇文章前面部分先做个大概介绍后面有实例，都比较简单好理解，不想看理论的小伙伴可以直接跳到代码。
GTX 750等低配显卡如何玩转Deepfakes？
abc8359852的博客
03-30 2523
这里说的Deepfakes软件还是DeepFaceLab，人工智能换脸，是使用深度学习方法来实现的。而深度学习程序对电脑配置要求是非常高的，尤其是跑模型这个环节。很多低配电脑，根本就跑步起来。比如像GTX 750 ，1G显存。 默认情况下这种配置肯定跑不了这个程序，但是通过自定义参数也能跑。这对于低配玩家来说绝对是个好消息。 首先，你需要获取的DFL的版本为DeepFaceLa...
2024版万能遮罩2700多万迭代，镇馆之宝
harryxia2014的博客
04-02 1496
链接：https://pan.baidu.com/s/1OqMEQj1kEJ0lGWmyW2pY_A?
Stable Diffusion教程|练丹师是如何炼丹的Lora模型训练
2401_85725028的博客
07-01 1008
3 Lora模型，就是我们今天要学习的，文件后缀一般是.safetensors，（格式可以互转） 文件大小比embedding大比大模型小，几十MB~几百MB，训练相对容易，现在有了集成安装包就更简单了，硬件要求8G显存以上的卡就可以满足了。当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。最好自己检查下每个txt文件，里面的标签是否准确，对不满意的prompt，自行手动修改即可。
偶然看到DeepFaceLab（DeepFake）在2023年的新动向
Shion's bla bla blog
08-04 5805
很久都没有关注DFL，似乎现在更活跃了，大神们各显神通，遮罩画工丝丝入扣。
【镇坛之宝】20240316版万能Xseg模型2400W迭代
07-03 1319
它是基于超过50000张人工标注的Xseg遮罩图像训练而成，凝聚了论坛成员的心血。每一位参与画过Xseg遮罩的人都能体会到其中的艰辛。下载链接: https://pan.baidu.com/s/1LH0ZycxiZ09Gk7eyZVqH8Q?下载链接: https://pan.baidu.com/s/1LH0ZycxiZ09Gk7eyZVqH8Q?该模型能够自动应对各种复杂的遮挡物，包括刘海、脸部贴纸、发丝、手、眼镜以及其他各种奇奇怪怪的遮挡物。下面是模型效果的演示，效果如何，最终还需要用户来评判。
20240316版万能Xseg模型2400W迭代
aaaaaaa23231的博客
03-17 166
买了测试下效果中。
大模型大小
最新发布
03-23
### 大模型参数量与存储大小比较 在深度学习领域，大模型通常指那些具有极高参数量的神经网络模型。这些模型不仅能够处理复杂的任务，还可能需要大量的存储空间来保存其权重和其他相关信息。 #### 参数量计算方法 参数量是指模型中可训练参数的数量，它直接影响到模型的能力以及所需的计算资源。对于卷积神经网络 (CNN)，全连接层和嵌入层等结构来说，参数量可以通过简单的矩阵运算得出[^2]。例如，在一个标准的线性变换 \( y = Wx + b \) 中，如果输入维度为 \( d_{in} \)，输出维度为 \( d_{out} \)，那么该层的参数数量即为 \( d_{in} \times d_{out} + d_{out} \)[^1]。 当涉及到更大的规模时，某些超大规模的语言或者视觉预训练模型可能会拥有数十亿甚至上千亿个参数。这种情况下，为了便于描述，人们常采用科学计数法表示具体的数值范围： - **十亿级**：约等于 10 的九次方 (\(10^9\))； - **百亿级**：约为 10 的十一次方 (\(10^{11}\))； - **千亿级**：大约相当于 10 的十二次方 (\(10^{12}\))； - **万亿级**：接近于 10 的十三次方 (\(10^{13}\))[^2]。 #### 存储大小估算方式 关于模型的实际磁盘占用情况，则需考虑更多因素。一般来说，每种数据类型的位宽决定了其所消耗内存的具体多少。以浮点型为例，默认情况下 PyTorch 使用的是 FP32 格式，这意味着每一个单独的权重要占据四个字节的空间[^4]。因此，假设某特定版本 GPT 模型总共有 N 个这样的标量变量存在的话，理论上讲整个文件体积应该大致位于如下区间之内： \[N * sizeof(float)\] 其中 `sizeof(float)` 对应的就是上述提到过的固定值——四字节数组长度单位下的表现形式。当然这只是一个理想状态下的简化版公式，真实世界中的应用往往还会额外增加一些辅助性的元数据记录项等内容进去，从而使得最终得到的结果要比单纯依靠原始理论推导出来的数字稍微更大一点[^3]。 另外值得注意的一点在于，并不是所有的框架都默认选用同样的精度级别来进行序列化操作；部分高效能导向的设计方案或许会选择更低分辨率的数据类型代替传统意义上的双精确实现途径（如 INT8 或者 BFLOAT16），进而有效减少整体所需容量的同时也牺牲了一定程度上的准确性作为代价换取性能提升效果明显可见之处。 ```python import torch from prettytable import PrettyTable def count_model_size(model, unit='MB'): total_params = sum(p.numel() for p in model.parameters()) trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad) param_size_bytes = total_params * 4 # Assuming all parameters are float32 conversion_factors = { 'KB': 1e3, 'MB': 1e6, 'GB': 1e9 } converted_param_size = param_size_bytes / conversion_factors[unit] table = PrettyTable(["Parameter", "Value"]) table.add_row(["Total Parameters", f"{total_params:,}"]) table.add_row(["Trainable Parameters", f"{trainable_params:,}"]) table.add_row([f"Model Size ({unit})", f"{converted_param_size:.2f} {unit}"]) return str(table) class ExampleModel(torch.nn.Module): def __init__(self): super().__init__() self.fc1 = torch.nn.Linear(784, 512) self.fc2 = torch.nn.Linear(512, 10) example_model = ExampleModel() print(count_model_size(example_model)) ```
评论
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

打赏作者

牛马尼格

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