Navigate to WaytoAGI Wiki →
Home/question.detail.breadcrumb.questionList/question.detail.breadcrumb.questionDetail

如何训练模型

Answer

训练模型的方法有多种,以下为您介绍几种常见的训练模型方式:

  1. 用 SD 训练一套贴纸 LoRA 模型:
    • 原始形象:MJ 初步产出符合设计想法的贴纸原始形象。
    • 二次加工:完成贴纸的白色边线等细节加工。
    • 处理素材:给训练集图片打 tag,修改 tag。
    • 训练模型:将上述处理好的数据集做成训练集,进行训练。
  2. 基于百川大模型训练虚拟专家:
    • 选择 Baichuan2-7B-Chat 模型作为底模,配置模型本地路径,配置提示模板。
    • 在 Train 页面里,选择 sft 训练方式,加载定义好的数据集 wechat 和 self_cognition。
    • 学习率和训练轮次非常重要,根据自己的数据集大小和收敛情况来设置。
    • 使用 FlashAttention-2 可减少显存需求,加速训练速度。
    • 显存小的朋友可以减少 batch size 和开启量化训练,内置的 QLora 训练方式非常好用。
    • 需要用到 xformers 的依赖。
    • 显存占用 20G 左右,耐心等待一段时间。
  3. 使用编码器-解码器架构构建诗歌生成器:
    • 在训练模型之前,需要一个损失函数,由于本质上是一个多类分类问题,损失将是稀疏的分类交叉熵损失,配置从 logits 计算的损失。
    • 有了损失后编译模型,将损失和优化器联系在一起。
    • 选择训练的时期,一个时期是对数据集的完整传递,进行多次训练,并提供回调以确保在训练期间保存权重。
    • 从实际的字符串中提取字符序列,使用 TensorFlow 的 TF 字符串 Unicode 拆分功能。
    • 将字符序列转化为数字,使用 TF Keras 层中的 StringLookup 函数将每个字符映射到给定的 ID,也可使用同一层的 StringLookup 函数获得反向映射。
    • 将处理后的数据作为神经网络的训练数据集,使用 TF Data Dataset API。
Content generated by AI large model, please carefully verify (powered by aily)

References

如何用 SD 训练一套贴纸 LoRA 模型

原始形象:MJ初步产出符合设计想法的贴纸原始形象二次加工:完成贴纸的白色边线等细节加工处理素材:给训练集图片打tag,修改tag训练模型:将上述处理好的数据集做成训练集,进行训练

创作:基于百川大模型向微信群大佬们虚心学习

选择Baichuan2-7B-Chat模型作为底模,配置模型本地路径,配置提示模板Train页面里,选择sft训练方式,加载定义好的数据集wechat和self_cognition。其中学习率和训练轮次非常重要,根据自己的数据集大小和收敛情况来设置,使用FlashAttention-2则可以减少显存需求,加速训练速度;显存小的朋友可以减少batch size和开启量化训练,内置的QLora训练方式非常好用。需要用到xformers的依赖具体命令参数如下:显存占用20G左右,耐心等待一段时间,请神模式开启...根据聊天记录规模大小,少则要几小时,多则几天,一个虚拟助手就能训练完成了。专不专业还有待大量标准问答验证,只是口气和习惯的模仿是有点意思的,若再加上[《克隆自己的声音——赛博分身必备技能》](http://mp.weixin.qq.com/s?__biz=MzI0MzA4NDkwMw==&mid=2247492147&idx=1&sn=efacb40a6c5610b6ed7368ba1d043f13&chksm=e970d93bde07502df2ff09ae3e700923ae285c21c7151282870d9e1db309da07ee5a49f609ed&scene=21#wechat_redirect)的效果,那几乎就传神了。不过这里还有很多细节工作需要完善:

5. 编码器-解码器架构

在我们训练模型之前,我们需要一个损失函数。由于这本质上是一个多类分类问题(每个可能的下一个字符是一个类),因此损失将是稀疏的分类交叉熵损失。我们配置这个损失是从logits(不是直接的概率)计算的。一旦我们有了损失,我们就可以编译我们的模型,这意味着我们将损失和优化器联系在一起。优化器将在训练期间更新权重以尽可能减少损失。最后,我们开始训练模型。我们选择了一些我们想要进行训练的时期。一个时期是对数据集的完整传递。我们在这里进行了多次训练,并提供了回调以确保在训练期间保存权重。首先,我们需要从实际的字符串中提取字符序列。为了做到这一点,我们可以使用TensorFlow的TF字符串Unicode拆分功能。例如,此时文本已经被转换为字符序列列表。但是,神经网络不能直接处理这些字符序列。因此,我们需要将这些字符序列转化为数字。为了将每个字符映射到给定的ID,我们可以使用TF Keras层中的StringLookup函数。您只需要将您的词汇表传递给这个函数。在我们的例子中,语料库包含65个独特的字符。我们生成一个层,当字符通过这个层时,它将生成相应的ID。在这个层中,你会有一个从字符到ID的映射。要获得反向映射(即从ID到字符的映射),您可以使用同一层的StringLookup函数,但需要将参数invert设置为True。现在让我们将这些处理后的数据作为神经网络的训练数据集。为此,我们使用TF Data Dataset API。这个API有一个优秀的方法,可以将整个戏剧文本语料库(它代表了大量的实例)作为ID存储,以便获取一个数据集。

Others are asking
ChatGPT如何训练需要的模型
ChatGPT 的训练模型主要包括以下几个方面: 1. 预训练(Pretrain)阶段:建立模型的能力上限,如确定模型各方面能力的天花板。此阶段跟 GPT3 的方法近似,例如采用 decoderonly 的网络架构,有特定的模型大小、输入窗口大小、单词本大小,见过大量的 tokens,使用大量的原始训练文本。 2. 监督微调(Supervised Finetune,SFT)阶段:让模型学会对话的形式展开,即知道如何按照对话的格式进行交流。 3. 强化学习从人类反馈(Reinforcement Learning from Human Feedback,RLHF)阶段:细分为奖励模型(RM)阶段和强化学习(RL)阶段,能激发模型具备多种能力,包括安全性、推理能力和稳定性等。 训练方式主要是通过材料学习,不断形成模型。其本质功能是“单字接龙”,通过自回归生成的方式,将生成的下一个词与之前的上文组合,不断重复生成任意长的下文。训练的目的不是记忆,而是学习提问和回答的通用规律,实现举一反三,即泛化。学习材料用于调整模型,得到通用模型,以处理未被数据库记忆的情况。ChatGPT 不是搜索引擎的升级版,搜索引擎无法给出未被数据库记忆的信息,而 ChatGPT 作为生成模型可以创造不存在的文本,但可能存在混淆记忆、无法直接查看和更新所学、高度依赖学习材料以及缺乏及时性和准确性等缺点。
2024-12-24
我想找一个关于建筑三维模型渲染的ai网站
以下为一些关于建筑三维模型渲染的 AI 网站: 1. 3dfy.ai:这是一家专注于将稀疏数据转化为逼真三维世界的公司。其领导团队由计算成像领域资深专家组成,拥有近四十年综合专业知识。适用于数字内容创作者、艺术家、游戏开发者、动画制作人、教育和培训行业专业人士、医疗行业以及建筑和工程领域等。 2. HDAidMaster:云端工具,在建筑设计、室内设计和景观设计领域表现出色,搭载自主训练的建筑大模型 ArchiMaster。 3. Maket.ai:主要面向住宅行业,在户型设计和室内软装设计方面有探索。 4. ARCHITEChTURES:AI 驱动的三维建筑设计软件,在住宅设计早期阶段可引入相关标准和规范。 5. Fast AI 人工智能审图平台:形成全自动智能审图流程,实现数据汇总与管理。 但需注意,每个工具都有其特定应用场景和功能,建议您根据自身具体需求选择合适的工具。
2024-12-24
在使用sys prompt时为什么要为模型定义角色
在使用系统提示词(sys prompt)为模型定义角色具有以下重要性: 1. 符合特定应用场景:通过定义角色,使模型的行为和输出更符合具体的应用需求,例如让模型作为历史顾问回答历史问题,或作为技术专家解决技术难题。 2. 明确任务和风格:不仅可以指定具体的人物角色,还能设定一种交流风格,如正式、幽默、友好等。 3. 引导模型行为和输出:为模型提供固定的模板,确保其输出与期望和工作流的需求保持一致。 4. 优化用户体验:ChatGPT 有默认的“一个乐于助人的助手”角色,可通过修改系统提示词来满足更个性化的需求。 然而,也有观点认为不需要过度依赖角色扮演类的提示词。关键是要非常具体地描述出模型所在的使用环境,提供足够详细的信息,以避免模型未按预期完成任务。提示词最重要的是表达清晰准确。
2024-12-24
目前AI大模型有多少个比较知名的
目前比较知名的 AI 大模型有: 北京企业机构: 百度(文心一言):https://wenxin.baidu.com 抖音(云雀大模型):https://www.doubao.com 智谱 AI(GLM 大模型):https://chatglm.cn 中科院(紫东太初大模型):https://xihe.mindspore.cn 百川智能(百川大模型):https://www.baichuanai.com/ 上海企业机构: 商汤(日日新大模型):https://www.sensetime.com/ MiniMax(ABAB 大模型):https://api.minimax.chat 上海人工智能实验室(书生通用大模型):https://internai.org.cn 大模型的特点和架构: 架构方面: encoderonly 模型通常适用于自然语言理解任务,例如分类和情感分析,最知名的代表模型是 BERT。 encoderdecoder 模型同时结合了 Transformer 架构的 encoder 和 decoder 来理解和生成内容,代表是 Google 的 T5。 decoderonly 模型更擅长自然语言生成任务,目前耳熟能详的 AI 助手基本都来自此类架构。 大模型的优势在于: 预训练数据非常大,往往来自于互联网上,包括论文、代码、公开网页等,最先进的大模型一般用 TB 级别的数据进行预训练。 参数非常多,Open 在 2020 年发布的 GPT3 就已经达到 170B 的参数。 大模型比较火的应用场景: 文本生成和内容创作:撰写文章、生成新闻报道、创作诗歌和故事等。 聊天机器人和虚拟助手:提供客户服务、日常任务提醒和信息咨询等服务。 编程和代码辅助:代码自动补全、bug 修复和代码解释。 翻译和跨语言通信:促进不同语言背景的用户之间的沟通和信息共享。 情感分析和意见挖掘:为市场研究和产品改进提供数据支持。 教育和学习辅助:创建个性化的学习材料、自动回答学生问题和提供语言学习支持。 图像和视频生成:如 DALLE 等模型可以根据文本描述生成相应的图像,未来可能扩展到视频内容的生成。 游戏开发和互动体验:创建游戏中的角色对话、故事情节生成和增强玩家的沉浸式体验。 医疗和健康咨询:提供初步的健康建议和医疗信息查询服务。 法律和合规咨询:帮助解读法律文件,提供合规建议,降低法律服务的门槛。 需要注意的是,随着大模型的普及,也需要关注其在隐私、安全和伦理方面的挑战。
2024-12-24
你好,你的大模型是什么
大模型是指输入大量语料,使计算机获得类似人类的“思考”能力,能够理解自然语言,并进行文本生成、推理问答、对话、文档摘要等工作。 大模型的训练和使用过程可以用“上学参加工作”来类比: 1. 找学校:训练大模型需要大量计算,GPU 更合适,只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材:大模型需要的数据量特别多,几千亿序列(Token)的输入基本是标配。 3. 找老师:即用合适的算法讲述“书本”中的内容,让大模型能够更好理解 Token 之间的关系。 4. 就业指导:为了让大模型更好胜任某一行业,需要进行微调(fine tuning)指导。 5. 搬砖:就业指导完成后,正式干活,比如进行翻译、问答等,在大模型里称之为推导(infer)。 在大模型中,Token 被视为模型处理和生成的文本单位,它们可以代表单个字符、单词、子单词,甚至更大的语言单位,具体取决于所使用的分词方法(Tokenization)。Token 是原始文本数据与大模型可以使用的数字表示之间的桥梁。在将输入进行分词时,会对其进行数字化,形成一个词汇表(Vocabulary)。 为了让计算机理解 Token 之间的联系,还需要把 Token 表示成稠密矩阵向量,这个过程称之为 embedding,常见的算法有: 基于统计:Word2Vec,通过上下文统计信息学习词向量;GloVe,基于词共现统计信息学习词向量。 基于深度网络:CNN,使用卷积网络获得图像或文本向量;RNN/LSTM,利用序列模型获得文本向量。 基于神经网络:BERT,基于 Transformer 和掩码语言建模(Masked LM)进行词向量预训练;Doc2Vec,使用神经网络获得文本序列的向量。 以 Transform 为代表的大模型采用自注意力(Selfattention)机制来学习不同 token 之间的依赖关系,生成高质量 embedding。大模型的“大”,指的是用于表达 token 之间关系的参数多,主要是指模型中的权重(weight)与偏置(bias),例如 GPT3 拥有 1750 亿参数,其中权重数量达到了这一量级,而词汇表 token 数只有 5 万左右。 此外,如果您想获取更多模型,大多数模型可以在 Civitai(C 站)https://civitai.com/ 下载。下载模型时的注意事项包括: 科学上网,需自行想办法。 点击右上角筛选按钮,找到所需模型类型,如 Checkpoint=大模型、LoRA=Lora 等。 看照片,感兴趣的点进去,点击右边“Download”下载保存到电脑本地。还可以点击左上角“Images”,查看别人做好的图片,找到喜欢的点进去,复制图片信息。 模型下载保存地址: 大模型:SD 根目录即存放 SD 的文件夹。 Lora、VAE 等也有相应的保存位置。 如果不知道下载的模型类型及应存放的文件夹,可以使用秋叶的模型解析工具 https://spell.novelai.dev/,将模型拖动到空白处,自动弹出模型信息,查看模型种类。
2024-12-23
如果我现在想用claude但是无法登陆,有哪几种可以体验到claude模型的方式
以下是几种可以体验到 Claude 模型的方式: 1. 通过:这是一个优秀的 AI 助手工具,付费后可使用 Claude 3.5 sonnet、ChatGPT4O 等顶级大模型。 2. 访问:Claude 官方原版,注册后可每日限额免费体验,但存在较高的封号风险。 3. 还可以通过 Cursor、Windsurf 等 AI 编程产品,调用 Claude AI API,但不支持 Artifacts 这种即时预览的使用方式,需要单独保存代码文件后查看。不过好处是,可以用 MD、CSV 等格式的文件,存储提示词、更新记录和 AI 交互数据。 Claude AI 是一款由 Anthropic 公司开发的 AI 助手,是基于自然语言处理技术和人工智能算法的聊天机器人。以开创性计算机科学家克劳德·香农(Claude Shannon)的名字命名,利用先进的机器学习技术、自然语言处理和深度学习算法,为各种应用提供支持。 Anthropic 发布了 Claude 3 模型,该模型更擅长遵循复杂的多步指令,特别擅长遵循品牌语调和响应指南,并开发用户可以信任的客户体验。此外,Claude 3 模型更擅长生成流行的结构化输出,如 JSON 格式。Opus 和 Sonnet 现已可在 API 中使用,该 API 现已普遍可用,使开发人员能够立即注册并开始使用这些模型。Haiku 将很快可用。现在可以在上使用新的 Claude 3 模型。 要注册 Claude.ai,可以按照以下步骤进行: 1. 访问 Claude 的官方网站。 2. 点击注册或登录界面中的“Sign Up”或“Continue with email”选项。 3. 填写邮箱地址并设置密码,然后提交表单。 4. 系统会向邮箱发送一封验证邮件,打开邮件并使用其中的验证码来完成邮箱验证。 如果在注册过程中遇到需要海外手机号接收验证码的问题,可能的解决方案有: 1. 使用虚拟海外号服务,如 SMSActivate、SMSPool 等,购买一个海外虚拟手机号来接收 Claude 的验证码。 2. 借助第三方服务网站如 uiuihao.com 完成注册 Claude 账号。 3. 如果有海外朋友,可以请他们帮忙接收验证码,并将验证码告知。 完成注册后,如果希望升级到 Claude Pro 版本以获取更强大的功能和更高的 API 调用限额,需要填写支付信息并选择一个合适的订阅计划。值得注意的是,订阅 Claude Pro 可能需要使用海外支付方式。请注意,Claude.ai 目前处于公开测试阶段,未付费用户使用平台可能会受到一些限制。如果在注册过程中遇到任何问题,可以参考其他用户分享的详细注册教程和解决策略。
2024-12-23
ai训练
AI 的训练是指通过大数据训练出一个复杂的神经网络模型。这一过程需要使用大量标记过的数据来训练相应的系统,使其能够适应特定的功能。训练具有以下特点: 1. 需要较高的计算性能,以处理海量的数据。 2. 具有一定的通用性,以便完成各种各样的学习任务。 机器学习是人工智能的一个分支,其发展有着从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的脉络。机器学习是实现人工智能的途径之一,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。 自然语言(NLP)是人工智能和语言学领域的分支学科,包括认知、理解、生成等部分。自然语言的认知和理解是让电脑把输入的语言变成有意义的符号和关系,然后根据目的再处理,自然语言生成系统则是把计算机数据转化为自然语言。 推理是指利用训练好的模型,使用新数据推理出各种结论。借助神经网络模型进行运算,利用输入的新数据来一次性获得正确结论的过程,也称为预测或推断。
2024-12-22
你是Ai产品经理,我想使用训练一个智能体帮我改写新闻标题,请告诉我应该怎么做
训练一个智能体来改写新闻标题,您可以按照以下步骤进行: 1. 明确需求和目标:确定您希望智能体改写新闻标题的风格、重点和要求,例如更简洁、更吸引人、突出特定信息等。 2. 收集数据:收集大量的新闻标题样本,包括各种类型和主题的,以便智能体有足够的学习材料。 3. 选择合适的技术和框架:根据您的技术能力和需求,选择适合的人工智能框架和算法,例如自然语言处理相关的技术。 4. 数据预处理:对收集到的数据进行清洗、分词、标记等预处理操作,以便智能体能够更好地理解和学习。 5. 训练模型:使用预处理后的数据训练智能体,调整参数以优化训练效果。 6. 评估和优化:使用测试数据评估智能体的性能,根据评估结果对模型进行优化和改进。 7. 部署和应用:将训练好的智能体部署到实际应用中,并不断监测和改进其表现。 需要注意的是,训练智能体是一个复杂的过程,可能需要一定的技术知识和经验。
2024-12-19
怎么训练模型进行标题改写
训练模型进行标题改写可以参考以下方法: Sora 模型: 对于视频标题改写,首先训练一个能够为视频生成详细描述的视频标题生成器。可利用 CoCa 架构进行视频标题生成,如 VideoCoCa,通过取视频的多个帧并将每个帧输入到图像编码器,产生的帧令牌嵌入被展平并连接成一个长序列的视频表示,再由生成性池化器和对比性池化器处理,与对比损失和标题生成损失一起联合训练。构建视频标题生成器的其他替代方法包括 mPLUG2、GIT、FrozenBiLM 等。为确保用户提示与训练数据中的描述性标题格式一致,执行额外的提示扩展步骤,用 GPT4V 将用户输入扩展为详细的描述性提示。 对于语言指令跟随,通过开发一个能够生成长而详细标题的字幕器,然后用这些标题来训练模型。但收集用于训练此类字幕器的数据的过程未知,且可能需要大量劳动。 DALL·E 3 模型:通过用详细、描述性的标题重新标注现有图像来解决指令遵循问题。首先训练一个图像标题生成器,这是一个视觉语言模型,用于生成精确和描述性的图像标题。然后,使用标题生成器生成的描述性图像标题来微调文本到图像模型。具体来说,DALL·E 3 遵循对比标题生成器(CoCa)的方法,联合训练一个图像标题生成器,该生成器具有 CLIP 架构和一个语言模型目标。进一步在详细描述图像的主要对象、周围环境、背景、文本、风格和颜色方面进行微调后,图像标题生成器能够为图像生成详细的描述性标题。文本到图像模型的训练数据集是由图像标题生成器生成的重新标注数据集和真实人类编写的数据混合而成,通过上采样来解决实际用户提示与训练数据中的描述性图像描述之间的不匹配问题。 关于 Midjourney 的训练 prompt: The issue with DMs is that the powerful ones often consume hundreds of GPU days,and inference is quite expensive due to sequential evaluations.To enable DM training on limited computational resources without compromising their quality as well as flexibility,DMs are applied in the latent space of powerful pretrained autoencoders. Training a diffusion model on such a representation makes it possible to achieve an optimal point between complexity reduction and detail preservation,significantly improving visual fidelity.Introducing a cross attention layer to the model architecture turns the diffusion model into a powerful and flexible generator for generally conditioned inputs such as text and bounding boxes,enabling highresolution convolutionbased synthesis. Midjourney 会例行发布新的模型版本以提高效率、连贯性和质量。最新的模型是默认的,但可以使用 version 或 v 参数或通过 /settings 命令选择其他模型版本。不同的模型在不同类型的图像上表现出色。Midjourney V5 模型是最新和最先进的模型,于 2023 年 3 月 15 日发布。使用此模型,可在 prompt 末尾添加 v 5 参数,或使用 /settings 命令并选择 MJ Version 5。该模型具有很高的连贯性,擅长解释自然语言提示,分辨率更高,并支持诸如 tile 等高级功能。其新特点包括更广泛的风格范围、对提示更敏感、更高的图像质量、更详细的图像、细节更可能正确以及更少不需要的文本。
2024-12-19
怎么自己训练ai?
自己训练 AI 通常包括以下主要步骤: 1. 选择合适的部署方式: 本地环境部署。 云计算平台部署。 分布式部署。 模型压缩和量化。 公共云服务商部署。需根据自身的资源、安全和性能需求来选择。 2. 准备训练所需的数据和计算资源: 确保有足够覆盖目标应用场景的训练数据。 准备足够的计算资源,如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础: 可以使用开源的预训练模型如 BERT、GPT 等。 也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练: 根据具体应用场景对预训练模型进行微调训练。 优化模型结构和训练过程以提高性能。 5. 部署和调试模型: 将训练好的模型部署到生产环境。 对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护: 大模型涉及大量数据和隐私信息,要重视安全性和合规性。 总的来说,训练自己的 AI 需要综合考虑多方面因素,包括部署方式、数据准备、模型训练、部署调试以及安全性等。要根据具体需求选择合适的方法,并注意优化各个环节以提高模型性能和应用效果。 在独立游戏开发中,如《玩具帝国》的人机 AI 采用 Unity 的 mlagent 进行训练,有以下经验: 选择自己开发 AI 是因为游戏是离线模式且对决策实时性和本地 AI 运行性能有要求,无法使用线上接口。 通过“即时奖励”和“预测奖励”进行长周期决策 AI 的训练,数学模型可调,可改变 AI 的决策倾向。 为让每次输入的向量等长,对观察的内容进行处理。 先训练掌握基本规则的底模,再在此基础上做分支训练得到适用于不同文明策略的模型。 为避免过拟合,在每个 Episode 前对初始条件进行随机,决策时对 AI 的可选项进行随机 Dropout。 关于判断一张图片是否为 AI 生成,目前已有不少网站通过对大量图片数据的抓取和分析来给出画作属性的判断可能性,例如 ILLUMINARTY 网站。但在测试中存在一些问题,如结构严谨的真实摄影作品可能被误判为 AI 作图,这是因为鉴定 AI 自身的逻辑算法不能像人类一样综合考虑各种不符合逻辑的表现。
2024-12-16
哪么我需要怎么做才能训练它呢
要在 Comfy UI 中训练 LoRA 模型,您可以按照以下步骤进行: 1. 下载相关文件并解压放入 custom_nodes 文件夹中,然后安装所需的依赖项。 打开命令提示符,输入相应内容。 确保后面有一个空格,将 requirements_win.txt 文件(Windows 系统)或 requirements.txt 文件(其他系统)拖到命令提示符中,按 Enter 键安装依赖项。如果为 Comfy 使用了虚拟环境,需先激活。 2. 注意一些事项: 图像必须放在以命名的文件夹中,数字应较小,如 5,且下划线必须有。 对于 data_path,必须写入包含数据库文件夹的文件夹路径。 3. 参数设置: 在第一行,可从 checkpoint 文件夹中选择任何模型,但据说进行 LoRA 训练需选择一个基本模型。 4. 训练过程: 选择一个名字为您的 LoRA,如果默认值不好,可更改值(epochs 数应接近 40),然后启动工作流程。 点击 Queue Prompt 后,所有事情会在命令提示符中发生,可查看训练进度。 5. 注意事项: 建议与字幕自定义节点和 WD14 标签一起使用。 制作字幕时禁用 LoRA 训练节点,防止 Comfy 在制作字幕前启动训练。 目前训练会在 Comfy 的根文件夹中的 log 文件夹中创建日志文件,该日志可能可在 Tensorboard UI 中加载。 默认情况下,训练结果直接保存在 ComfyUI 的 lora 文件夹中,训练后只需刷新并选择 LoRA 就可以测试。
2024-12-15