通過Lora小模型可以控制很多特定場景的內容生成。
但是那些模型是別人訓練好的，你肯定很好奇，我也想訓練一個自己的專屬模型（也叫煉丹～_～）。
甚至可以訓練一個專屬家庭版的模型（family model），非常有意思。
將自己的訓練好的Lora模型放到stableDiffusion lora 目錄中，同時配上美麗的封面圖。
（plen_me、plen_vivi，這兩個是我訓練的和家裏人的模型～_～）
這樣就可以將你的Lora模型和其他Lora模型融合使用了。
再配上Controlnet基本可以，將自己的pose+特徵融入到其他任何lora模型中。
【1】
下面我們看下如何訓練自己的模型。
（我的煉丹爐配置，win10+i7F+4080 ）
首先，Lora模型可以通過lora-scripts 腳本進行訓練。
倉庫地址：https://github.com/Akegarasu/lora-scripts
找個目錄拉下來，先安裝sd-scripts子項目，然後安裝lora-scripts項目。
（敲黑板）重點看下sd-scripts 子項目：
https://github.com/kohya-ss/sd-scripts/tree/b5c60d7d62d6bb4a174ac09327dc517fc4446523
要嚴格按照作者給的步驟安裝。（要不然會有很多奇怪的問題）
如果順利的話大概安裝需要30min左右。（需要kexue上網應該就不用多介紹了）
【2】
接下來準備需要訓練的圖片。
根據最後的生成效果，要找頭像清晰的，臉部輪廓清楚的，背景最好是白色的。
然後就需要我們將圖片進行預處理。
先將圖片放在一個文件夾裏，然後定一個預處理之後的文件夾名字。
然後在stablediffusion中找到【訓練】【圖像預處理】模塊
按照說明，填入預處理圖片路徑和目標目錄，然後選擇【Deepbooru生成標籤】。然後點擊【Preprocess】，等處理完成。
到目標目錄下，看下生成的標籤信息。
這些標籤就是訓練模型的圖片特徵了，基本上生成出來的標籤還是要check下。
如果某個重要的標籤丟失，或者識別錯誤（girl識別成boy ～_～）會直接影響煉丹質量。
【3】
將預處理目標文件夾複製到lora-scripts腳本的主目錄的train目錄中。（如果沒有就創建一個）
如果你有多個訓練集合可以在train中創建一個目錄，然後放到這個目錄中。
訓練自己的專屬模型，需要依賴一個主模型。真人特徵的模型貌似用 chilloutmix_NiPrunedFp32Fix 比較流行（這個模型很強大，你懂的！）。
模型地址：
https://huggingface.co/naonovn/chilloutmix_NiPrunedFp32Fix/tree/main
將下好的模型文件複製到lora-scripts->sd-models文件夾中。
【4】
準備工作差不多了，我們編輯下訓練腳本。
lora-scripts目錄中的train.ps1 腳本文件。
# Train data path | 設置訓練用模型、圖片
$pretrained_model = "./sd-models/chilloutmix_NiPrunedFp32Fix.safetensors" # base model path | 底模路徑
$train_data_dir = "./train/test" # train dataset path | 訓練數據集路徑
$pretrained_model：就是我們下載的訓練模型的基礎模型，把名字換掉。
$train_data_dir：訓練數據目錄。
# Train related params | 訓練相關參數
$resolution = "512,512" # image resolution w,h. 圖片分辨率，寬,高。支持非正方形，但必須是 64 倍數。
$batch_size = 2 # batch size
$max_train_epoches = 20 # max train epoches | 最大訓練 epoch
$save_every_n_epochs = 2 # save every n epochs | 每 N 個 epoch 保存一次
$resolution：如果你的圖片預處理的時候沒有調整過，這裏就保持默認。
$batch_size、$max_train_epoches：如果你的卡不是很強，這裏的參數可以小一點。（這兩個參數主要控制訓練的次數和顯存加載的張量數據集）。
# Output settings | 輸出設置
$output_name = "meoutput" # output model name | 模型保存名稱
$output_name：用默認的也行，最好自定義一個名字，避免重複生成覆蓋原來模型。
保存，然後右鍵 【使用PowerShell運行】。
（這裏還是要祈禱下，不一定能一次成功。～_～）
腳本在運行過程中會出現一些'triton'加載失敗的錯誤。
但是其實不影響模型的訓練（我查了下好像是windows電腦就不支持這個模塊）。
這裏的錯誤如果不能正常執行，大概率是前面敲黑板的地方你沒有仔細看。
等模型訓練完。（我15張圖，大概跑了10min左右。）
我們看下output目錄輸出的模型文件。
這裏的模型文件保存的個數，是train.ps1腳本文件裏設置的。
最後我們要通過驗證這些模型準確度，選用哪一個。
【5】
將這些模型文件全部複製到
E:\stable-diffusion-webui\extensions\sd-webui-additional-networks\models\lora
對應的擴展忙碌下。
如果還沒有安裝 sd-webui-additional-networks 擴展，記得先到擴展中安裝。
也可以直接用git地址安裝（有時候這個擴展查詢有點問題）
https://github.com/kohya-ss/sd-webui-additional-networks.git
然後我們測試下這幾個模型哪一個不錯。
順利安裝插件之後，就可以在界面上看到 【Additional Networks】功能菜單。
要測試自己的模型，基礎模型還是要選用我們訓練的 chilloutmix_NiPrunedFp32Fix 模型。
prompt可以用自己提取的標籤作爲測試。
批次可以適當多點，到時候可以選擇。
這個過程大概需要個20min左右。（可以喝點茶等待創作了～_～）。
來一起見證AI的創作吧 ～～！
圖片的上方是每一個模型名稱，左邊是特徵權重，組成的一個二維表格。
有點那個意思 hhh。
下面這些就有點辣眼睛了 。
根據自己的眼光，我們挑選一個相對比較不錯的模型。
整體覺得這個模型不錯，我們記下模型的名字。
將這個模型複製到 E:\stable-diffusion-webui\models\Lora 目錄中。
可以給你的模型配上一個封面，只要文件名和模型名一樣就可以了。
【6】
有了自己的專屬模型，就可以結合其他lora模型一起使用了。
我們試下水墨風格。
下載lora模型：Moxin_10
下載基礎模型：dalcefoPainting_3rd.safetensors
（有些基礎模型在C站沒有，可以到huggingface上找找，再不行github上肯定有）
點開這個紅色的收縮面板。
刷新一下，讓lora模型文件重新加載下。
然後選擇我們保存的lora文件，此時這個模型的prompt設置會在文本框裏。
然後再選擇水墨風模型 Moxin。
調整下每一個模型的權重，此時可以將我們自己的模型特徵調大些。
如果沒啥問題，我們就去C站找這個lora比較好的prompt拿過來用。
這張雖然有點辣眼睛，但是特徵是有了。
這一張比較像我女兒 ～_～。
最後，stablediffusion+lora等AIGC屬於開掛技術，我們還是要遵紀守法做一個好同志！！！