Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

lora怎么训练

Answer

以下是关于 Lora 训练的详细步骤：

创建数据集：

  1. 进入厚德云-模型训练-数据集（https://portal.houdeyun.cn/sd/dataset）。
  2. 在数据集一栏中，点击右上角创建数据集。
  3. 输入数据集名称。
  4. 可以上传包含图片+标签 txt 的 zip 文件，也可以只有图片后续使用自动打标功能。建议提前把图片和标签打包成 zip 上传，Zip 文件里图片名称与标签文件应当匹配，例如：图片名“1.png”，对应的达标文件就叫“1.txt”。
  5. 上传 zip 以后等待一段时间，确认创建数据集。返回到上一个页面，等待一段时间后就会上传成功，可以点击详情检查，预览到数据集的图片以及对应的标签。

Lora 训练：

  1. 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。
  2. 选择数据集，点击右侧箭头，会跳出您所有上传过的数据集。
  3. 触发词可有可无，取决于数据集是否有触发词。模型效果预览提示词则随机抽取一个数据集中的标签填入即可。
  4. 训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数。如果不知道如何设置，可以默认 20 重复次数和 10 轮训练轮数。
  5. 可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力。
  6. 然后等待训练，会显示预览时间和进度条。训练完成的会显示出每一轮的预览图。
  7. 鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。

此外，还有一些相关的补充信息：

  1. 训练前要确保下载几个模型：t5xxl_fp16.safetensors、clip_l.safetensors、ae.safetensors、flux1-dev.safetensors。注意：不使用的话它们放到哪里都可以，甚至放一起一个文件夹，只要知道“路径”，后面要引用到“路径”。因为是训练，不是跑图，跑图可以寻求降低方案，训练的话，用 flux1-dev.safetensors 这个版本，编码器用 t5xxl_fp16.safetensors 这个版本最好。
  2. 下载脚本：
    • 夸克网盘链接：https://pan.quark.cn/s/ddf85bb2ac59
    • 百度网盘链接：https://pan.baidu.com/s/1pBHPYpQxgTCcbsKYgBi_MQ?pwd=pfsq 提取码：pfsq
  3. 安装虚拟环境：下载完解压，在文件中找到 install-cn-qinglong.ps1 这个文件，右键，选择“使用 PowerShell 运行”，新手的话这里就点击“Y”，然后等待 1 - 2 小时的漫长下载过程。下载完成后最后会提示是否下载 hunyuan 模型，选择 n 不用下载。

在使用 SD 训练一套贴纸 LoRA 模型时：

  1. 原始形象：MJ 关键词：A drawing for a rabbit stickers,in the style of hallyu,screenshot,mori kei,duckcore plush doll art exaggerated poses,cry/happy/sad/...--ar 3:4--niji 5--style cute--s 180 。会得到不同风格的贴图，可以先看看自己喜欢哪一种。出图过程可以有意识地总结这一类贴图的特征，比如都是可爱的兔子、有不同的衣服和头饰、都有一双大大的卡通眼睛，会有不同的面部表情。
  2. 注意事项：关键词中限制了颜色，因此 MJ 生成的图片会一种情绪对应一种颜色，所以同一种情绪最好多生成几张不同色系的，可以减少后续训练中模型把情绪和颜色做挂钩（如果需要这样的话，也可以反其道而行之）。数据集中正面情绪与负面情绪最好比例差不多，如果都是正面积极的，在出一些负面情时（sad，cry）的时候，可能会出现奇怪的问题（如我们训练的是兔子形象，但 ai 认知的 sad 可能是人的形象，可能会出现人物特征）。如果训练 256*256 大小的表情包，这样的素材就已经够用了。如果要训练更高像素的图片，则需要进一步使用 MJ 垫图和高清扩展功能。比如从 256 高清化到 1024，输入左图，加入内容描述，加入风格描述，挑选合适的，选出新 30 张图片（卡通二次元类型的 lora 训练集 30 张差不多，真人 60 - 100 张）。
Content generated by AI large model, please carefully verify (powered by aily)

References

10-0基础训练大模型

进入厚德云-模型训练-数据集https://portal.houdeyun.cn/sd/dataset[heading2]步骤一·创建数据集[content]在数据集一栏中，点a击右上角创建数据集输入数据集名称这个zip文件可以是包含图片+标签txt，也可以只有图片没有打标文件（之后你可以在c站使用它的自动打标功能）你也可以一张一张单独上传照片，但还是建议提前把图片和标签打包成zip上传Zip文件里图片名称与标签文件应当匹配例如:图片名"1.png",对应的达标文件就叫"1.txt"。上传zip以后等待一段时间确认创建数据集返回到上一个页面，等待一段时间后就会上传成功，可以点击详情检查可以预览到数据集的图片以及对应的标签[heading2]步骤二·Lora训练[content]点击Flux，基础模型会默认是FLUX 1.0D版本选择数据集，点击右侧箭头，会跳出你所有上传过的数据集触发词可有可无，取决于你的数据集是否有触发词模型效果预览提示词则随机抽取一个你数据集里的标签填入即可训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数如果不知道如何设置，可以默认20重复次数和10轮训练轮数可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力然后就可以等待训练了，会显示预览时间和进度条训练完成的会显示出每一轮的预览图鼠标悬浮到你想要的轮次模型，中间会有个生图，点击会自动跳转到使用此lora生图的界面。点击下方的下载按钮则会自动下载到本地

郑敏轩 ：Flux的Lora模型训练

作者@郑敏轩大家好，上次讲了Flux简介，我们这次来讲讲Flux的Lora训练首先你要确保你已经正确安装使用了Flux的各个模块~~哈哈，开个玩笑，其实不用安装使用也是可以训练的~但是你要把当时需要的几个模型下载下来：t5xxl_fp16.safetensorsclip_l.safetensorsae.safetensorsflux1-dev.safetensors注意：1.你不使用的话他们放到哪里都可以，甚至放一起一个文件夹，只要你知道“路径”，我们后面要引用到“路径”2.因为是训练，不是跑图，跑图我们可以寻求降低方案，训练的话，哈哈模型就用flux1-dev.safetensors这个版本，编码器也用t5xxl_fp16.safetensors这个版本最好。好，接下来我们使用青龙的训练脚本，在此给青龙大大跪拜一下~阿弥陀佛~[heading2]下载脚本[content]网盘链接：夸克网盘链接：https://pan.quark.cn/s/ddf85bb2ac59通过百度网盘分享的文件：Flux_train_20.4.zip链接：https://pan.baidu.com/s/1pBHPYpQxgTCcbsKYgBi_MQ?pwd=pfsq提取码：pfsq--来自百度网盘超级会员V3的分享[heading2]安装虚拟环境[content]好，下载完，解压首先在文件中找到install-cn-qinglong.ps1这个文件，右键，选择“使用PowerShell运行”新手的话这里就点击“Y”然后等待那么1-2小时的漫长下载过程~2 hours later...下好了之后最后会提示你是否下载hunyuan模型，选择n不用下载

如何用 SD 训练一套贴纸 LoRA 模型

A drawing for a rabbit stickers,in the style of hallyu,screenshot,mori kei,duckcore plush doll art exaggerated poses,cry/happy/sad/...--ar 3:4--niji 5--style cute--s 180兔子贴纸绘制的图画，采用韩流风格，截图，森喜朗，鸭核毛绒玩偶夸张的姿势会得到不同风格的贴图，我们可以先看看自己喜欢哪一种我一开始找的画面风格不是特别统一，但初次训练的时候不那么严格也是可以的出图过程可以有意识地总结这一类贴图都有什么特征：都是可爱的兔子有不同的衣服和头饰都有一双大大的卡通眼睛，会有不同的面部表情注意事项：关键词中限制了颜色，因此MJ生成的图片会一种情绪对应一种颜色，所以我们同一种情绪最好多生成几张不同色系的，可以减少后续训练中模型把情绪和颜色做挂钩（如果你需要这样的话，也可以反其道而行之）数据集中正面情绪与负面情绪最好比例差不多，如果都是正面积极的，在出一些负面情时（sad，cry）的时候，可能会出现奇怪的问题（如我们训练的是兔子形象，但ai认知的sad可能是人的形象，可能会出现人物特征）如果我们训练256*256大小的表情包，那么这样的素材就已经够用了如果要训练更高像素的图片，则需要进一步使用MJ垫图和高清扩展功能[heading2]高清化[content]左（256）→右（1024）输入左图，加入内容描述，加入风格描述，挑选合适的选出新30张图片（卡通二次元类型的lora训练集30张差不多，真人60-100张）

Others are asking
midjourney_whisper_flux_lora_v01
以下是关于您提到的“midjourney_whisper_flux_lora_v01”的相关信息： 1. XLabsAI 发布了 6 个不同的 Lora，包括 Midjourney 风格、写实风格、动漫风格、迪斯尼风格、风景风格等，并提供了相应示例。 2. 文生图模型排序（从高到低）：Imagen 3 真实感满分，指令遵从强；Recraft 真实感强，风格泛化很好，指令遵从较好（会受风格影响）；Midjourney 风格化强，艺术感在线，但会失真，指令遵从较差；快手可图 影视场景能用，风格化较差；Flux.1.1 真实感强，需要搭配 Lora 使用；文生图大模型 V2.1L（美感版） 影视感强，但会有点油腻，细节不够，容易糊脸；Luma 影视感强，但风格单一，糊；美图奇想 5.0 AI 油腻感重；腾讯混元 AI 油腻感重，影视感弱，空间结构不准；SD 3.5 Large 崩。 3. 指定 AI 生图里的文字，有 9 种解决方案，其中 2 种快过时了。包括 Midjourney（v6 版本开始支持文字效果，主要支持英文，中文支持有限）、Ideogram（以图片嵌入文字能力闻名，2.0 模型能力得到进一步加强，支持复杂文本和多种艺术风格，文字与图像能够自然融合，支持英文，中文提示词可自动翻译为英文）、Recraft（V3 开始支持文本渲染能力，是目前唯一能在图像中生成长文本的模型，支持精确的文本位置控制，支持图像编辑功能，支持矢量图生成，支持英文，中文渲染能力较弱）、Flux（FLUX.1 是一款高质量的开源图像生成模型，支持复杂指令，支持文本渲染，支持图像编辑，生成图像的质量很高，主要支持英文）。
2025-03-07
flux 训练lora 教程
以下是关于 Flux 训练 Lora 的教程： 1. 准备模型：需要下载以下几个模型：t5xxl_fp16.safetensors、clip_l.safetensors、ae.safetensors、flux1dev.safetensors。注意：不使用的话它们放到哪里都可以，甚至放一起一个文件夹，只要知道“路径”，后面要引用到“路径”。因为是训练，不是跑图，训练的话，模型就用 flux1dev.safetensors 这个版本，编码器也用 t5xxl_fp16.safetensors 这个版本最好。 2. 下载脚本： 夸克网盘链接：https://pan.quark.cn/s/ddf85bb2ac59 百度网盘链接：https://pan.baidu.com/s/1pBHPYpQxgTCcbsKYgBi_MQ?pwd=pfsq 提取码：pfsq 3. 安装虚拟环境：下载完解压，在文件中找到 installcnqinglong.ps1 这个文件，右键选择“使用 PowerShell 运行”，新手的话这里就点击“Y”，然后等待 1 2 小时的漫长下载过程，下好了之后最后会提示是否下载 hunyuan 模型，选择 n 不用下载。 4. 0 基础训练大模型： 进入厚德云 模型训练 数据集：https://portal.houdeyun.cn/sd/dataset 步骤一·创建数据集：在数据集一栏中，点击右上角创建数据集，输入数据集名称。zip 文件可以是包含图片 + 标签 txt，也可以只有图片没有打标文件（之后可以在 c 站使用它的自动打标功能），也可以一张一张单独上传照片，但建议提前把图片和标签打包成 zip 上传。Zip 文件里图片名称与标签文件应当匹配，例如：图片名"1.png"，对应的达标文件就叫"1.txt"。上传 zip 以后等待一段时间，确认创建数据集，返回到上一个页面，等待一段时间后就会上传成功，可以点击详情检查，可以预览到数据集的图片以及对应的标签。 步骤二·Lora 训练：点击 Flux，基础模型会默认是 FLUX 1.0D 版本，选择数据集，点击右侧箭头，会跳出所有上传过的数据集，触发词可有可无，取决于数据集是否有触发词，模型效果预览提示词则随机抽取一个数据集中的标签填入即可。训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数，如果不知道如何设置，可以默认 20 重复次数和 10 轮训练轮数，可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力，然后就可以等待训练了，会显示预览时间和进度条，训练完成的会显示出每一轮的预览图，鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。 5. ControlNet 作者张吕敏再出新项目 LuminaBrush：基于数据集在 Flux 上训练 LoRA，并用 LoRA 生成的图像来扩展这个图像数据集。使用均匀光照图像作为中间表示具有一些优势，比如避免来自 3D 反照率的过于锐利的网格边界或过于平坦的表面。而这些图像在细节层面也足够细腻，可以处理皮肤纹理、头发、毛发等细节。接下来，通过合成随机法线，将这些均匀光照图像进行随机再光照，以训练一个可以从任何输入图像中提取均匀光照外观的模型。第一阶段的这个模型目前也提供了在线 demo：https://huggingface.co/spaces/lllyasviel/lumina_brush_uniform_lit 。第二阶段，会从数百万张高质量的自然场景图像中提取均匀光照外观图像，以构建成对数据集，用于训练最终的交互式光照绘制模型。
2025-03-04
LoRA训练
LoRA 训练主要包括以下步骤： 1. 创建数据集： 进入厚德云模型训练数据集，点击右上角创建数据集。 输入数据集名称。 可以上传包含图片+标签 txt 的 zip 文件，也可以只有图片后续使用自动打标功能，或者一张一张单独上传照片，但建议提前把图片和标签打包成 zip 上传。 Zip 文件里图片名称与标签文件应当匹配，例如：图片名“1.png”，对应的达标文件就叫“1.txt”。 上传 zip 以后等待一段时间，确认创建数据集，返回到上一个页面，等待一段时间后上传成功，可以点击详情检查，预览数据集的图片以及对应的标签。 2. Lora 训练： 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。 选择数据集，点击右侧箭头，会跳出所有上传过的数据集。 触发词可有可无，取决于数据集是否有触发词，模型效果预览提示词则随机抽取一个数据集中的标签填入即可。 训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数。如果不知道如何设置，可以默认 20 重复次数和 10 轮训练轮数。 可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力。 然后等待训练，会显示预览时间和进度条。训练完成的会显示出每一轮的预览图。 鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。 此外，郑敏轩提到的 Flux 的 Lora 训练还需要： 1. 下载相关模型：t5xxl_fp16.safetensors、clip_l.safetensors、ae.safetensors、flux1dev.safetensors。 2. 下载脚本： 夸克网盘链接：https://pan.quark.cn/s/ddf85bb2ac59 百度网盘链接：https://pan.baidu.com/s/1pBHPYpQxgTCcbsKYgBi_MQ?pwd=pfsq 提取码：pfsq 3. 安装虚拟环境：下载完解压，在文件中找到 installcnqinglong.ps1 这个文件，右键选择“使用 PowerShell 运行”，新手点击“Y”，然后等待 1 2 小时的漫长下载过程，下好后最后会提示是否下载 hunyuan 模型，选择 n 不用下载。 在 AI 梦一丹一世界（下）2025 年 2 月 8 日副本中提到，参加相关比赛须用摩搭平台和麦橘超然模型作为底膜训练 Lora，提交训练好的 Lora 及用其生成的六张以上高质量、展现完整世界观的作品。作图分三步，一是明确创作主题即锚点，根据 Lora 风格确定创作方向；二是确定主体，联想主体的角色设定；三是增加叙事感，让画面有一到两个及以上角色，制造反差和联想。好看的图片的构成因素包括构图、色彩以及光影，构图包括景别（远景、全景、中景、近景、特写）和拍摄视角（俯视、平视、仰视，正面、侧面、背面），构图要素有主体、陪体、前景、背景、点线面，构图方式有点中心构图、九宫格构图、三分法构图、对称构图、对角线构图、曲线构图、框架构图、三角形构图等。在 AI 绘图中，推荐中景及以上景别，全身景别可能需开 AD 跳以确保作图质量。
2025-03-02
我想了解现在有什么文生图的模型或者工具，可以精准的按照prompt给的位置大小把文字写在最终出来的图像上的，这个字不会是幻觉，是实打实的字，或者有没有通过训练lora来达到这个效果的
以下是一些关于文生图的模型和工具的信息： Tusiart： 定主题：确定生成图片的主题、风格和表达的信息。 选择基础模型 Checkpoint：可选用麦橘、墨幽等系列模型。 选择 lora：寻找与生成内容重叠的 lora 以控制图片效果和质量。 ControlNet：可控制图片中特定的图像。 设置 VAE：选择 840000 。 Prompt 提示词：用英文写需求，单词和短语用英文半角逗号隔开。 负向提示词 Negative Prompt：用英文写避免产生的内容，单词和短语用英文半角逗号隔开。 采样算法：一般选 DPM++2M Karras ，也可参考模型作者推荐的采样器。 采样次数：选 DPM++2M Karras 时，采样次数在 30 40 之间。 尺寸：根据需求和喜好选择。 吐司网站： 文生图的操作方式：在首页的对话生图对话框输入文字描述即可生成图片，不满意可通过对话修改。 模型及生成效果：Flex 模型对语义理解强，不同模型生成图片的积分消耗不同，生成效果受多种因素影响。 图生图及参数设置：可基于图片做延展，能调整尺寸、生成数量等参数，高清修复消耗算力多，建议先出小图。 特定风格的生成：国外模型对中式水墨风等特定风格的适配可能不足，可通过训练 Lora 模型改善。 Liblibai： 定主题：确定生成图片的主题、风格和表达的信息。 选择 Checkpoint：可选用麦橘、墨幽等系列模型。 选择 lora：寻找与生成内容重叠的 lora 以控制图片效果和质量。 设置 VAE：选择 840000 。 CLIP 跳过层：设成 2 。 Prompt 提示词：用英文写需求，单词和短语用英文半角逗号隔开。 负向提示词 Negative Prompt：用英文写避免产生的内容，单词和短语用英文半角逗号隔开。 采样方法：一般选 DPM++2M Karras ，也可参考模型作者推荐的采样器。 迭代步数：选 DPM++2M Karras 时，迭代步数在 30 40 之间。 尺寸：根据需求和喜好选择。 生成批次：默认 1 批。
2025-02-25
lora
LoRA 相关信息如下： 模型微调： 微调脚本： LoRA 微调脚本见：，单机多卡的微调可通过修改脚本中的include localhost:0 来实现。 全量参数微调脚本见：。 加载微调模型： LoRA 微调：基于 LoRA 微调的模型参数见基于 Llama2 的中文微调模型，LoRA 参数需和基础模型参数结合使用。通过加载预训练模型参数和微调模型参数，示例代码中，base_model_name_or_path 为预训练模型参数保存路径，finetune_model_path 为微调模型参数保存路径。 全量参数微调：调用方式同模型调用代码示例，只需修改其中的模型名称或保存路径。 在 SD 中的应用： 儿童绘本风格插画：可以生成儿童绘本风格插画，起作用的主要是“KIDS ILLUSTRATION”风格 lora，可搭配不同大模型使用，如官方案例中的超拟真大模型“Realistic Vision”。 Fooocus 介绍：LoRA 模型默认放在 Fooocus_win64_1110\\Fooocus\\models\\loras。Fooocus 程序默认用到 3 个 SDXL 的模型，包括一个 base、一个 Refiner 和一个 LoRA。单独安装时需下载三个模型，如 SDXL 基础模型：https://huggingface.co/stabilityai/stablediffusionxlbase1.0/resolve/main/sd_xl_base_1.0_0.9vae.safetensors 等。若部署了 SD 秋叶包，可共用模型（大模型和 LoRA），修改 Fooocus_win64_1110\\Fooocus\\modules\\path.py 文件中的路径，配置好后点击 run.bat 文件启动。
2025-02-22
主流的LORA 训练工具是什么？
主流的 LORA 训练工具包括： 1. B 站 UP 主“朱尼酱”的赛博丹炉，其界面友好、美观，适合新手入门。 2. 训练器，支持 Kolors 开源模型。 3. Kolors+Refiner，由 AIKSK 开发的工作流应用。 4. Kolors可图大模型XL 精修工作流，由@AiARTiST 非人类开发。 5. kolors+SDXL 细节修复+instant+ipa，由@谷尘 DesignDog 开发。 6. kolors 一键设计中文海报，由亦诚视觉开发。 7. ，魔搭社区官方模型。 8. InstantIDKolors 专属模型，由 InstantX 开发。
2025-02-18
如何去训练ai，让ai可以更精准的回答问题分析趋势
要训练 AI 使其更精准地回答问题和分析趋势，可以从以下几个方面入手： 检索原理： 1. 信息筛选与确认：系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容，同时验证信息的来源、时效性和相关性。 2. 消除冗余：识别并去除多个文档或数据源中的重复信息，避免在生成回答时出现重复或矛盾的内容。 3. 关系映射：分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等，构建结构化的知识框架，使信息在语义上更连贯。 4. 上下文构建：将筛选和结构化的信息组织成连贯的上下文环境，包括对信息进行排序、归类和整合，形成统一的叙述或解答框架。 5. 语义融合：在必要时合并意义相近但表达不同的信息片段，减少语义重复并增强信息表达力。 6. 预备生成阶段：将整合好的上下文信息编码成适合生成器处理的格式，如转化为适合输入到生成模型的向量形式。 大模型生成回答： 最终全新的上下文被传递给大语言模型，大语言模型根据提供的信息回答问题。因为这个上下文包括了检索到的信息，所以相当于同时拿到了问题和参考答案，通过大语言模型的全文理解，生成准确和连贯的答案。 批判性思维与复杂问题解决： 批判性思维指分析、评估、推理并做出明智判断的能力，在 AI 时代尤为关键。培养批判性思维需要养成质疑习惯，通过辩论、逻辑训练、阅读反面意见等方式锻炼，注重逻辑推理和定量分析能力的培养。复杂问题解决与批判性思维密切相关，指在不确定情境下分析问题、设计解决方案的能力，往往需要综合运用多种思维技能，通过参与实际复杂项目、案例研究来提高经验，可利用 AI 作为资料提供者或头脑风暴助手，但关键在于人类自己的分析和决策过程。 纯强化学习： DeepSeek R1 引入纯强化学习，不依赖大量人类标注数据，而是让 AI 通过自我探索和试错来学习。在“冷启动”阶段，通过少量人工精选的思维链数据进行初步引导，建立符合人类阅读习惯的推理表达范式，随后主要依靠强化学习，在奖励系统的反馈下（包括准确率奖励和格式奖励），自主探索推理策略，不断提升回答的准确性，实现自我进化。纯强化学习有可能解锁新的人工智能水平，DeepSeek R1 更注重学习推理的底层策略，培养通用推理能力，实现跨领域的知识迁移运用和推理解答。
2025-03-07
小白用户，使用API结合cherry studio建立本地知识库之后，应该怎么训练使AI更聪明
以下是使用 API 结合 cherry studio 建立本地知识库后训练使 AI 更聪明的方法： 1. 在线知识库： 点击创建知识库，创建一个画小二课程的 FAQ 知识库。 知识库的飞书在线文档中，每个问题和答案以分割。 选择飞书文档，选择自定义的自定义，输入。 编辑修改和删除内容，添加 Bot 并在调试区测试效果。 2. 本地文档： 注意拆分内容，提高训练数据准确度。 对于画小二课程，将 80 节课程分为 11 个章节，不能一股脑全部放进去训练。 首先将 11 章的大章节名称内容放进来，章节内详细内容按照固定方式进行人工标注和处理。 然后选择创建知识库自定义清洗数据。 3. 发布应用： 点击发布，确保在 Bot 商店中能够搜到。 此外，在训练 AI 时，还需要注意以下几点： 提示词：告诉 AI 它的角色和要专注的技能。 知识库：相当于给 AI 发放工作手册，例如可以放入特定的剧情等内容。 希望以上内容对您有所帮助。
2025-03-06
如何使用本地数据训练AI？
使用本地数据训练 AI 可以参考以下内容： Teachable Machine： 应用场景广泛，如商品说明书、自动驾驶、教学互动等。 允许用户快速、简单地创建机器学习模型，无需专业知识或编程技能。 使用步骤： 收集数据：可上传图片、录制声音或动作视频作为训练数据。 训练模型：用收集的数据训练模型并测试其能否正确识别新的内容。 导出模型：完成训练后可下载或上传到网上用于其他项目。 特点： 提供多种创建机器学习模型的方式，灵活且用户友好。 可在本地完成训练，不通过网络发送或处理数据，保护隐私。 生成的模型是真实的 TensorFlow.js 模型，可在任何运行 JavaScript 的地方工作，还能导出到不同格式在其他地方使用。 官方网站： Stable Diffusion： 训练数据集制作： 数据清洗：筛除分辨率低、质量差、存在破损及与任务目标无关的数据，去除水印、干扰文字等。 数据标注：分为自动标注（如使用 BLIP 输出自然语言标签）和手动标注（依赖标注人员）。 补充标注特殊 tag：可手动补充特殊标注，如运行相关代码并修改参数。
2025-03-06
deepseek 私有化训练
以下是关于 DeepSeek 私有化训练的相关信息： 模型测试、问题探讨与新模型部署过程： 探讨了模型存在幻觉、答案有概率性等问题，并对比了加提示词前后的情况。 准备从 32B 蒸馏新模型，提及该模型的资源需求及阿里云拍卖机制。 介绍了启动 DSW 获取廉价 CPU 资源，以及部署模型时因库存不足不断加价的过程。 派平台大模型训练与微调实操讲解： 许键分享了抢硬件资源的方法，演示了通过提问蒸馏标注数据。 讲解了在派平台训练模型的流程，包括参数设置、数据集上传等，并展示了训练效果和日志查看。 说明了训练好的模型部署方法，强调训出满意模型需要大量基础知识学习。 模型蒸馏微调演示、平台介绍与问题解答： 许键展示了模型微调后的效果，如幻觉下降等。 介绍了阿里云解决方案，对比了百炼和派平台的差异。 进行了 Q&A，回答了无监督学习微调、训练数据资源、多模态训练标注、Python 代码报错等问题，提及派平台有公用数据集，还举例说明了多模态标注方式。 总结： 本地部署介绍：讲解了如果拥有云服务器如何进行本地部署，以及满血版本地部署的实际情况。 免费额度说明：在 freely.aliyun.com 可领取 500 元免费额度，但有使用限制，不能部署满血版和较大的增流模型。 平台服务差异：介绍了 DLC、DSW 和 EAS 等模型部署平台服务的差别。 模型蒸馏微调：会带着大家复现模型的蒸馏和微调，并讲解相关知识。 Deepseek R1 模型的制作及相关模型比较： R1 模型的强化学习：通过强化学习，在训练过程中给予模型反馈，对正确路线增强权重，使做对的概率变高，导致思考逻辑变长。 R1 模型的蒸馏与微调：用 Deepseek RE Zero 蒸馏出带思考的数据，基于 Deepseek V3 微调，进行冷启动，再做强化学习，还从非公布模型提取微调数据，加上人类偏好，最终形成 R1。 R1 与其他模型的差别：R1 是原生通过强化学习训练出的模型，蒸馏模型是基于数据微调出来的，基础模型能力强，蒸馏微调模型能力也会强。 模型的相互帮助：Deepseek R1 反过来蒸馏数据微调 V3，形成互相帮助的局面，使两个模型都更强。 智能章节： 许键介绍今日课程重点是云服务器上如何使用 Deepseek R1 及本地部署相关内容，提及派平台免费额度及适用模型。还介绍了自己和社区情况。接着讲解 Deepseek R1 制作过程，包括强化学习概念及示例，阐述其从 Deepseek r e Zero 到 M2 等模型的演变及原理。 主要介绍了 Deepseek R1 模型的构建过程，包括多轮强化学习和微调，还提及蒸馏模型的情况。探讨了不同模型部署所需的显存、内存及成本，对比了各模型在专业领域的能力表现。 介绍了以云基础设施和 GPU 算力资源为底层的派平台。该平台搭建 AI 框架并做优化，提供一键式快捷部署工具等。与百炼不同，它开放更多自由度，租户数据隔离。很多大模型在此训练，支持多机分布式部署等，既面向企业，也适合个人创业者，不同应用定价有差异。
2025-03-05
Deepseek 怎么训练模型 到达写作的水准
要将 DeepSeek 训练模型达到写作的水准，可以参考以下方法： 1. 借助 AI 分析好的文章：找出您最喜欢的文章，投喂给 DeepSeek R1。然后进行多次询问，如从写作角度、读者角度分析文章，询问文章的缺点和不足以及改善和提升的空间，对作者进行侧写，分析其成长背景、个人经历和知识结构对文章的影响。 2. 让 AI 对您写的文章进行点评：使用类似“现在我希望你是一名资深中文写作教师/小学语文老师/中学语文老师/公文写作培训师，拥有 30 年教育经验，是一名传授写作技巧的专家。请先阅读我提供给你的文章，然后对文章进行分析，然后教我如何提升写作水平。请给出详细的优缺点分析，指出问题所在，并且给出具体的指导和建议。为了方便我能理解，请尽量多举例子而非理论陈述。”的提示词。 3. 根据文章内容对作者进行心理侧写：使用如“我希望你扮演一个从业 20 多年，临床诊治过两千多例心理分析案例的人性洞察和意识分析方面的专家，精通心理学、人类学、文史、文化比较。先阅读后附文章全文，然后对作者进行人格侧写。要尖锐深刻，不要吹捧包装，不要提出一些只能充当心理安慰的肤浅的见解。包括作者的基本画像、核心性格特质、认知与价值观、潜在心理动机、行为模式推测、矛盾与盲点、文化符号映射”的提示词。 此外，DeepSeek 模型具有文风出色、善用大词、发散能力强等特点，但也较难收敛，有时会出现幻觉。从创作角度看，其在文学创作上表现出色，能给予更多自由发挥空间。
2025-03-05