[Lora] 複印訓練法與差異化融合

不久之前在 b 站青龍大的 影片 中，知道了複印法與差異法融合的概念。原有的複印法是一位 2vXpSwA7 提出，而差異法則是 Kohya-ss 作者所延伸出來的另一個作法。這兩種方法都很有趣，然後就開始實作這個部分。

複印法

複印法的來源是源自一個很熱門的 Lora，叫做 flat2。然後該作者就因為太熱門，所以就用 C 站的亂數名稱去申請了一個 Twitter 帳號（笑）。作者也在 Hugging Face 分享了大量他的測試 Lora，有興趣的人可以去看看。

複印訓練法的概念

首先，他是利用訓練 Lora 模型的特性衍生出來的一個概念。由於 Lora 本身的性質，是以基底模型與新的訓練集，比對特徵差異後，將那些特徵差異的向量壓縮保存在 Lora 裡面（這僅是簡易說明，實際上應該複雜的多）。所以，當我們在「套用」這個 Lora 後，SD 就會將這個 Lora 所帶有的「差異特徵」套用在所使用的模型上，然後做一個輸出的動作。

かんたん☆コピー機学習法（きっと初級編）

複印訓練法作者所寫的介紹文

那麼，根據訓練 Lora 的概念來看，假設，我們把訓練的「基底模型」，固定為某一種結果會發生什麼事情呢？這一件事情就是複印訓練法作者所做的部分。基於剛才所簡述的 Lora 保存差異特徵的概念，所以，當我們把 Lora A 融合到「基底模型」中，叫做「基底模型 A」，然後用「基底模型 A」去訓練另外一組，叫做 Lora B，會有什麼結果？

首先，請記得，根據 Lora 的特性，他是一種「差異特徵」，那麼，所謂的 複印訓練 為的就是要 提取 某一種特徵。

這就是複印訓練法的一個開始，所以，因為我們想要「複印」，所以，就得先準備一個 過擬合 Lora A ，然後將這個 過擬合 Lora A 融合到「基底模型」中，這樣我們就會獲得一個 過擬合基底模型 A，這樣一來，你若使用這個 過擬合基底模型 A 來產生圖片，他就會直接給你 過擬合 Lora A 的結果。

所以，在這個地方你就會獲得一個影印機功能的模型，他叫做 過擬合基底模型 A 。

複印訓練法的操作

根據我們剛剛所獲得的 過擬合基底模型 A，由於他已經是一個過擬合模型，所以無論你給他什麼提示詞、更換種子等等，他都會給你同樣的輸出結果。剛剛說了，他就是一台「影印機」的功能。所以基於這個「影印」的功能，我們就拿他來訓練另一個資料集，我們以下稱他為 資料集 B，他所訓練出來的就叫做 Lora B。

根據 Lora 模型特性，他會學習「基底模型」所沒有的差異特徵，那麼，在這個 過擬合基底模型 A 當中，你的 資料集 B 對於基底模型來說，所存在的差異就會保存在 Lora B 當中。所以說，當我們的 資料集 B 與 過擬合基底模型 A 訓練所保存下來的 Lora B 會是什麼呢？

首先，我們先直接看一個結果：

這只是一個很簡單的訓練，我僅使用了 5 張圖片來訓練，讓 T-shirt 上面有印上了「りしれ供さ小」的字樣。雖然文字的寫法可能略有錯誤，但因為訓練素材的關係，所以請暫時忽略這件事。這就是一個複印訓練法可以做到的事情。

首先，複印訓練需要準備的資料集，有兩組：

1. 需要過擬合訓練的資料集 A。
2. 需要特徵訓練的資料集 B。

由於採用的是影印機的概念，所以，我們所準備的資料集 A, B 需要完全相同，且 A 與 B 的差異僅在 你想要獲得的特徵 這件事情上面。根據我剛剛的結果，應該不難猜出我的訓練集的原始樣貌。

訓練集 A 的示意圖：

訓練集 B 的示意圖：

這樣，在根據開頭所提出的操作，你可以獲得一個特殊功能的 Lora B，這個 Lora 就可以在衣服上面寫字。

請注意，由於準備資料集與訓練過程的差異，寫字的效果並無法保證。

差異化融合

這個概念是 Kohya-ss 作者在 Twitter 提到的一個作法，

這個作法的操作方式基本上與複印訓練法的流程雷同，但第二個步驟不太一樣，

1. 訓練 過渡擬合 Lora A。
2. 訓練 過渡擬合 Lora B。

將這兩個過渡擬合的 Lora 利用工具將他們融合，融合工具有兩種，一種是一般的融合，另一種是 SVD 融合。這兩種工具在 Kohya-ss 作者所製作的工具中都有提供。

Kohya-ss/sd-scripts

所以，當我們訓練好兩個 Lora 後，使用融合工具，可以達到類似複印訓練法的效果。我們直接來看結果：

這裡的操作，沒有圖形化介面可以使用，你必須在終端機中操作，

使用一般的融合方法，

python ./networks/merge_lora.py \
--save_precision bf16 \
--precision float \
--save_to /dataset/Lora_merged.safetensors \
--models "/dataset/Lora_B.safetensors" "/dataset/Lora_A.safetensors" \
--ratios 1 -1

使用 SVD 融合方法，

python ./networks/merge_lora.py \
--save_precision bf16 \
--precision float \
--save_to /dataset/Lora_svd_merged.safetensors \
--models "/dataset/Lora_B.safetensors" "/dataset/Lora_A.safetensors" \
--ratios 1 -1
--new_rank 4 \
--new_conv_rank 32 \
--device cuda

這兩種融合方式都略有差異，哪一種比較好我無法結論，效果的部分都是依照你訓練結果而定。當中的 --ratios 1 -1 的部分可以自行拿捏。

小結

複印訓練或差異融合，都可以用來製作特殊功能的 Lora，而目前最新的還有 ESD 相關的論文，與相關 Lora 訓練法被提出，我也還在研究當中，有興趣的人可以自行查閱。

LECO
LECOがやっていることを解説する
ESD Project Page
Erasing Concepts from Diffusion Models

青龍大也寫了一篇文章 完美炼丹术，差异炼丹法！ 有興趣的人可以自行參閱。

我在 C 站也利用這些方法作了一些功能型 Lora：

Vivid Color Detail LoRa

Petzval 85 Bokeh LoHa

clarity And Old Style Lora