[Lora] 減法拆分融合 - 製作專屬特徵人物

說在最前面的，你需要先訓練出一個屬於你自己的人物的 Lora，畢竟拿別人的 Lora 來用可能會有版權的問題，所以盡可能的自己訓練一個會比較好。

關於減法的訓練我在 2023 年的 SD 年會中已經聊過，這邊就不贅述。

關於訓練的減法

2023 SD 年會 - 訓練的減法

如果沒有看過的人可以看一下，這篇文章會用到裡面說的一些方式。

事前準備

訓練的方式就不提了，總之就是準備一個你覺得訓練的不錯的一個人物的 Lora，然後選擇幾個你喜歡的模型。

準備好一個人物 Lora，或是多個（如果你有訓練多個的話）
基底模型，例如 9527 Detail Realistic XL
或是 SD1.5 基底模型，例如 Detail Asian Realistic

我這邊會以 SDXL 的模型來當範例，當然，操作的手法也可以用在 SD1.5 的模型與 Lora 上面，所以並不需要擔心。

另外，我們這邊需要用到 A1111 與這些外掛套件。

準備好了之後，我們就能開始做一些融合的測試工作。

Lora 的模型測試

首先，在開始測試 Lora 之前，請先挑一個你喜歡的基底模型，請注意，我們最終會將 Lora 融合到這個基底模型裡面，所以，你如果只有 1 個 Lora，那麼基底模型你可以多挑幾個。我這邊使用了 2 個 Lora 與一個基底模型做測試。

針對 Lora 的部分，我們每一個 Lora 可以先做一次最基本的 X/Y/Z plot，

我們這邊就取 0, 0.3, 0.5, 0.7, 0.9, 1 這樣的權重去測試我們的 Lora 在基底模型上的效果。

這是單一個 Lora 的測試結果，我這次選擇了兩組 Lora，所以，我列出了兩組，並且對這兩組做一下交叉測試，看看兩組 Lora 互相疊加的時候的效果。

由於需要做交叉比對，所以設定上就變成這樣，

接下來，你可以直接選擇你覺得比較好的權重，來進行後續融合的動作。如果是兩個或以上的 Lora，那麼就挑選一個交叉測試後，你覺得相對順眼的權重即可。

進階的 Lora 分層測試

在融合之前，我們來提一下剛剛所說的 LoRA Block Weight 外掛的事情。上一個段落所測試的是單純的權重，而我們這邊可以使用這個外掛，來進行「分層」的測試，所要用到的是 Effective Block Analyzer 這個功能。

首先，你需要在你的提示詞（Prompt）中，修改 Lora 讀取的寫法，

<lora:你的 Lora 名稱:1:1:lbw=XYZ>

以上是在 A1111 1.5.0 之後需要這樣寫，如果你是之前的版本，請自行參閱 LoRA Block Weight 外掛說明。

Effective Block Analyzer

這個功能主要能夠讓你去比對指定的 Lora 分層，然後做出每一個分層權重所產生的差異變化。主要的設定有以下幾個，在介面上你可以去調整的。

diff image color 差異化的顏色表示，有黑色跟白色可以選。
change X-Y 對調比對 X/Y 軸的呈現資料，通常會把他勾起來。
difference threshold 權重差異化的閾值，用預設 20 就可以了。
Range 比對權重差異，預設是 0.5,1，表示你要比對的是 0.5 與 1 這兩個權重差異。
Blocks (12ALL,17ALL,20ALL,26ALL also can be used) 你想要比對哪些分層區塊，預設是全部，如果沒特別想法就不要動他也沒關係。
number of seed 比對次數（種子數），預設 1，表示比對 1 次，他並不是產生圖片的種子，而是比對的次數，如果你寫 20 表示這個 XYZ Effective 會做 20 次。

請注意！這個比對的動作，他所計算的數量會是這個公式：

(number of seed) x (Blocks 數量) x (Range 數量)

所以預設會計算 1 x 26 x 2 總共 52 張圖片，然後再加上比對的時間。所以這個動作所需要的時間會比較長，以我本次的範例來說，我做完一次計算需要 10 分鐘左右。

使用 Script 裡面的 LoRA Block Weight

我不知道是不是我自己的問題，我僅能使用 Script 裡面的 LoRA Block Weight 才能啟用 XYZ 的功能。

我這邊所使用的 Range 是使用 0.3,0.7，跟預設的不太一樣。之所以會這樣做的原因，在於我們先前已經測試了整個 Lora 的權重，然後我個人比較喜歡的權重區段大概是在 0.3 到 0.7 之間，所以我想知道的是 0.3 與 0.7 之間的區塊差異。

你們進行測試時，可以挑選自己喜歡的區段來做。

另外，如果你也是使用 SDXL 的模型跟 Lora，可以把 Blocks 改為 SDXL Lora 的 12 層，這樣可以加快產生的時間。

LoRA(17)

1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
BASE	IN01	IN02	IN04	IN05	IN07	IN08	MID	OUT03	OUT04	OUT05	OUT06	OUT07	OUT08	OUT09	OUT10	OUT11

SDXL LoRA(12)

1	2	3	4	5	6	7	8	9	10	11	12
BASE	IN04	IN05	IN07	IN08	MID00	OUT00	OUT01	OUT02	OUT03	OUT04	OUT05

執行結束後，你會獲得一個差異比對的圖片，當中的 source 就是你設定的 Range 的第二個數字，我們這邊則就是 0.7，也就是 Lora 權重套用了 0.7 的結果，而 0.3 則代表 Lora 權重套用了 0.3 的結果。

diff 則表示了在這兩個權重上，畫面的差異用圖像化的方式呈現。而每一個層（Block）上面的百分比數值，則代表了兩個層之間的差異。所以現在我們會知道每一層的 Lora 對於這個模型，在 0.3 與 0.7 之間的差異，或是說「干擾」會是哪個部分。

這樣對於我們之後，若是想製作分層融合時，可以提供一定程度的參考。

融合 Lora 到基底模型

結束了分析之後，我們接下來要使用 Super Merge 來融合我們的 Lora 到模型裡面，去產生一個新的模型。

首先我們先前往 A1111 的 SuperMerge 分頁當中，然後我們需要做幾件事情，

在 ~~Checkpoint A~~ Checkpoint Tuned 的地方填入你的基底模型路徑。
在 filename(option) 填入你要儲存的模型路徑與名稱，例如 merged_9527_with_lora_Kohya.safetensors，這樣融合完成後，會儲存在 A1111 預設放置 checkpoint 的地方。
在 settings 的地方，兩個項目都打勾。
- same to Strength 依照原始 Strength 儲存，勾起來比較不會出錯。
- overwrite 是否要覆寫已經存在的檔案，請先確認一下是否有一樣的檔名存在，若有，請改一下 filename(option) 的名字。
metadata 的部分選擇 create new 即可。
save precision 選擇 fp16。
calc precision(fp16:cuda only) 選擇 float 即可。
device 選擇 cuda，如果有問題，可以選 cpu 也沒關係。
remake dimension 選擇 no，不要改寫任何 DIM。
LoRAname1:ratio1:Blocks1,LoRAname2:ratio2:Blocks2,...(":blocks" is option, not necessary) 填入你的 Lora 與權重，如果你要使用分層，則有另外的填寫方式。
最後，按下 Merge to Checkpoint 等他融合完成即可。

融合結束後，你就會獲得一個全新的模型（例如 merged_9527_with_lora_Kohya.safetensors），接著就能用這個模型來產生圖片（此時就不需要再套用任何的 Lora）。

分層融合 Lora 到基底模型

如果要使用分層融合，那麼你需要先將分層資訊放到底下的文字框中，例如：

這邊的撰寫方式是，

BlockName:block weights

如果以我們剛剛測試的結果，以我的例子來說，SDXL 總共分了 12 層，我想要每一層給不同的權重，那麼我就可以這樣寫，

HinaBlock:1,0,0,0.3,0.5,1,0.3,0.3,1,1,1,1

接著，在我們剛剛的 LoRAname1:ratio1:Blocks1,LoRAname2:ratio2:Blocks2,...(":blocks" is option, not necessary) 填入以下的字串，

Hina_Lora_Kohya:HinaBlock

這樣在融合時，就會採用分層融合的方式。以上無論是單一權重融合，或是分層融合，在融合到模型，或是多個 Lora 融合成一個全新的 Lora，使用方式都是相同的。

融合模型的減法

融合完成後，你就會獲得一個已經融合了你的 Lora 的新模型，這個時候，我們可以使用 Kohya GUI 所提供的提取 Lora 的工具，來將融合過的結果給提取出來，變成一個全新的 Lora。

這也是我在 SD 年會中所提過的一個方式，

這個作法需要注意的地方，

微調模型（Finetuned model）需要選擇你已經融合的模型。
穩定擴散基礎模型（Stable Diffusion base model），需要選擇當初把 Lora 融合進去的基底模型。
網路維度 Rank（Network Dimension (Rank)）的數字沒有一定，你可以從 32, 64, 128 之間去測試提取出來的 Lora 效果。
儲存精度（Save precision）可以選 fp16。
其餘的數值可以維持預設。
如果你是使用 SDXL 或 v2 的模型，記得要打勾。

這樣的提取動作，我來稍微解釋一下會發生什麼事情，

Lora A + 基底模型 A = 融合基底模型 A'

融合基底模型 A' - 基底模型 A = 融合 Lora A'

提取出來的 融合 Lora A' 會帶有融合了 基底模型 A 特徵的一個特殊型 Lora，由於融合了 基底模型 A 的特徵，所以他會與當初的 Lora A 有些微的不同。

我們可以利用這種融合後提取出來，所造成的些微的差異，再次回到 A1111 去測試這個新的 融合 Lora A'，然後，這個時候我們置換掉 基底模型 A，改用 基底模型 B 來進行測試。

這樣測試後，你就會獲得 融合 Lora A' 與 基底模型 B 的相關數值，再次進行融合。

融合 Lora A' + 基底模型 B = 融合 基底模型 B'

此時的 融合基底模型 B' 就會帶有 融合 Lora A' 的融合特徵，這個時候，我們再做一次減法，這個時候我們很單純的使用 A1111 所提供的 Checkpoint Merger 功能，

融合基底模型 B' - (基底模型 B - 基底模型 A) * M = 融合基底模型 B''

Primary model (A) 選擇 融合基底模型 B'。
Secondary model (B) 選擇 基底模型 B。
Tertiary model (C) 選擇 基底模型 A。
Custom Name (Optional) 填寫一個你喜歡的模型名稱。
Multiplier (M) - set to 0 to get model A 可以使用 0.7。
Interpolation Method 選擇 Add difference。
Checkpoint format 選擇 safetensors。
Save as fp16 打勾。
Copy config from 選擇 A, B or C。
Bake in VAE 維持 None。

這樣，你會獲得一個 融合基底模型 B' 加上 (基底模型 B - 基底模型 A) 差異化後乘上某個倍率的 融合基底模型 B-B-A。

請注意！如果 基底模型 B 與 基底模型 A 差異甚大，相減後可能不如預期。

並不是任何的模型都能做這樣的「相減」的動作，請自行留意。

最後，你可以將 融合基底模型 B-B-A 再次使用提取 Lora 取出特殊 Lora 來使用，或者是直接使用這個 融合基底模型 B-B-A 來當作你的模型。

結語

依照上述的流程，可以不斷重複直到你覺得拆出來的 Lora 或是融合出來的模型，是符合你的需求的。這樣可以不斷調整同一個 Lora 直到你覺得滿意為止。

以下是這次實驗的 SDXL 的特製模型，所產生出來的結果，這樣的模型，人臉都會固定式同一個人，除非特別針對五官做特殊描述，不然基本上不會有太大的變化。