LoRA train script by @Akegarasu

Train data path | 设置训练用模型、图片

$pretrained_model = "./sd-models/model.ckpt" # base model path | 底模路径 $is_v2_model = 0 # SD2.0 model | SD2.0模型 2.0模型下 clip_skip 默认无效 $parameterization = 0 # parameterization | 参数化本参数需要和 V2 参数同步使用实验性功能 $train_data_dir = "./train/aki" # train dataset path | 训练数据集路径 $reg_data_dir = "" # directory for regularization images | 正则化数据集路径，默认不使用正则化图像。

Network settings | 网络设置

$network_module = "networks.lora" # 在这里将会设置训练的网络种类，默认为 networks.lora 也就是 LoRA 训练。如果你想训练 LyCORIS（LoCon、LoHa）等，则修改这个值为 lycoris.kohya $network_weights = "" # pretrained weights for LoRA network | 若需要从已有的 LoRA 模型上继续训练，请填写 LoRA 模型路径。 $network_dim = 32 # network dim | 常用 4~128，不是越大越好 $network_alpha = 32 # network alpha | 常用与 network_dim 相同的值或者采用较小的值，如 network_dim的一半防止下溢。默认值为 1，使用较小的 alpha 需要提升学习率。

Train related params | 训练相关参数

$resolution = "512,512" # image resolution w,h. 图片分辨率，宽,高。支持非正方形，但必须是 64 倍数。 $batch_size = 1 # batch size $max_train_epoches = 10 # max train epoches | 最大训练 epoch $save_every_n_epochs = 2 # save every n epochs | 每 N 个 epoch 保存一次

$train_unet_only = 0 # train U-Net only | 仅训练 U-Net，开启这个会牺牲效果大幅减少显存使用。6G显存可以开启 $train_text_encoder_only = 0 # train Text Encoder only | 仅训练文本编码器 $stop_text_encoder_training = 0 # stop text encoder training | 在第N步时停止训练文本编码器

$noise_offset = 0 # noise offset | 在训练中添加噪声偏移来改良生成非常暗或者非常亮的图像，如果启用，推荐参数为 0.1 $keep_tokens = 0 # keep heading N tokens when shuffling caption tokens | 在随机打乱 tokens 时，保留前 N 个不变。 $min_snr_gamma = 0 # minimum signal-to-noise ratio (SNR) value for gamma-ray | 伽马射线事件的最小信噪比（SNR）值默认为 0

Learning rate | 学习率

$lr = "1e-4" $unet_lr = "1e-4" $text_encoder_lr = "1e-5" $lr_scheduler = "cosine_with_restarts" # "linear", "cosine", "cosine_with_restarts", "polynomial", "constant", "constant_with_warmup" $lr_warmup_steps = 0 # warmup steps | 学习率预热步数，lr_scheduler 为 constant 或 adafactor 时该值需要设为0。 $lr_restart_cycles = 1 # cosine_with_restarts restart cycles | 余弦退火重启次数，仅在 lr_scheduler 为 cosine_with_restarts 时起效。

Output settings | 输出设置

$output_name = "aki" # output model name | 模型保存名称 $save_model_as = "safetensors" # model save ext | 模型保存格式 ckpt, pt, safetensors

Resume training state | 恢复训练设置

$save_state = 0 # save training state | 保存训练状态名称类似于 -??????-state ?????? 表示 epoch 数 $resume = "" # resume from state | 从某个状态文件夹中恢复训练需配合上方参数同时使用由于规范文件限制 epoch 数和全局步数不会保存即使恢复时它们也从 1 开始与 network_weights 的具体实现操作并不一致

其他设置

$min_bucket_reso = 256 # arb min resolution | arb 最小分辨率 $max_bucket_reso = 1024 # arb max resolution | arb 最大分辨率 $persistent_data_loader_workers = 0 # persistent dataloader workers | 容易爆内存，保留加载训练集的worker，减少每个 epoch 之间的停顿 $clip_skip = 2 # clip skip | 玄学一般用 2 $multi_gpu = 0 # multi gpu | 多显卡训练该参数仅限在显卡数 >= 2 使用 $lowram = 0 # lowram mode | 低内存模式该模式下会将 U-net 文本编码器 VAE 转移到 GPU 显存中启用该模式可能会对显存有一定影响

优化器设置

$optimizer_type = "AdamW8bit" # Optimizer type | 优化器类型默认为 AdamW8bit，可选：AdamW AdamW8bit Lion Lion8bit (需自行安装 bitsandbytes >= 0.38) SGDNesterov SGDNesterov8bit DAdaptation AdaFactor prodigy (需自行安装 prodigyopt)

LyCORIS 训练设置

$algo = "lora" # LyCORIS network algo | LyCORIS 网络算法可选 lora、loha、lokr、ia3、dylora。lora即为locon $conv_dim = 4 # conv dim | 类似于 network_dim，推荐为 4 $conv_alpha = 4 # conv alpha | 类似于 network_alpha，可以采用与 conv_dim 一致或者更小的值 $dropout = "0" # dropout | dropout 概率, 0 为不使用 dropout, 越大则 dropout 越多，推荐 0~0.5， LoHa/LoKr/(IA)^3 暂时不支持

远程记录设置

$use_wandb = 0 # enable wandb logging | 启用wandb远程记录功能 $wandb_api_key = "" # wandb api key | API，通过 https://wandb.ai/authorize 获取 $log_tracker_name = "" # wandb log tracker name | wandb项目名称,留空则为"network_train"

============= DO NOT MODIFY CONTENTS BELOW | 请勿修改下方内容 =====================

Activate python venv

.\venv\Scripts\activate

$Env:HF_HOME = "huggingface" $Env:XFORMERS_FORCE_DISABLE_TRITON = "1" $ext_args = [System.Collections.ArrayList]::new() $launch_args = [System.Collections.ArrayList]::new()

if ($multi_gpu) { [void]$launch_args.Add("--multi_gpu") }

if ($lowram) { [void]$ext_args.Add("--lowram") }

if ($is_v2_model) { [void]$ext_args.Add("--v2") } else { [void]$ext_args.Add("--clip_skip=$clip_skip") }

if ($parameterization) { [void]$ext_args.Add("--v_parameterization") }

if ($train_unet_only) { [void]$ext_args.Add("--network_train_unet_only") }

if ($train_text_encoder_only) { [void]$ext_args.Add("--network_train_text_encoder_only") }

if ($network_weights) { [void]$ext_args.Add("--network_weights=" + $network_weights) }

if ($reg_data_dir) { [void]$ext_args.Add("--reg_data_dir=" + $reg_data_dir) }

if ($optimizer_type) { [void]$ext_args.Add("--optimizer_type=" + $optimizer_type) }

if ($optimizer_type -eq "DAdaptation") { [void]$ext_args.Add("--optimizer_args") [void]$ext_args.Add("decouple=True") }

if ($network_module -eq "lycoris.kohya") { [void]$ext_args.Add("--network_args") [void]$ext_args.Add("conv_dim=$conv_dim") [void]$ext_args.Add("conv_alpha=$conv_alpha") [void]$ext_args.Add("algo=$algo") [void]$ext_args.Add("dropout=$dropout") }

if ($noise_offset -ne 0) { [void]$ext_args.Add("--noise_offset=$noise_offset") }

if ($stop_text_encoder_training -ne 0) { [void]$ext_args.Add("--stop_text_encoder_training=$stop_text_encoder_training") }

if ($save_state -eq 1) { [void]$ext_args.Add("--save_state") }

if ($resume) { [void]$ext_args.Add("--resume=" + $resume) }

if ($min_snr_gamma -ne 0) { [void]$ext_args.Add("--min_snr_gamma=$min_snr_gamma") }

if ($persistent_data_loader_workers) { [void]$ext_args.Add("--persistent_data_loader_workers") }

if ($use_wandb -eq 1) { [void]$ext_args.Add("--log_with=all") if ($wandb_api_key) { [void]$ext_args.Add("--wandb_api_key=" + $wandb_api_key) }

if ($log_tracker_name) { [void]$ext_args.Add("--log_tracker_name=" + $log_tracker_name) } } else { [void]$ext_args.Add("--log_with=tensorboard") }

run train

python -m accelerate.commands.launch $launch_args --num_cpu_threads_per_process=8 "./sd-scripts/train_network.py" --enable_bucket --pretrained_model_name_or_path=$pretrained_model --train_data_dir=$train_data_dir --output_dir="./output" --logging_dir="./logs" --log_prefix=$output_name --resolution=$resolution --network_module=$network_module --max_train_epochs=$max_train_epoches --learning_rate=$lr --unet_lr=$unet_lr --text_encoder_lr=$text_encoder_lr --lr_scheduler=$lr_scheduler --lr_warmup_steps=$lr_warmup_steps --lr_scheduler_num_cycles=$lr_restart_cycles --network_dim=$network_dim --network_alpha=$network_alpha --output_name=$output_name --train_batch_size=$batch_size --save_every_n_epochs=$save_every_n_epochs --mixed_precision="fp16" --save_precision="fp16" --seed="1337" --cache_latents --prior_loss_weight=1 --max_token_length=225 --caption_extension=".txt" --save_model_as=$save_model_as --min_bucket_reso=$min_bucket_reso --max_bucket_reso=$max_bucket_reso --keep_tokens=$keep_tokens --xformers --shuffle_caption $ext_args Write-Output "Train finished" Read-Host | Out-Null ;

Akegarasu / lora-scripts

想用train.ps1的檔案訓練SDXL的lora，要改哪些參數？因為我看到如果是用gui來訓練的話會有一個model_train_type = "sdxl-lora"的參數 #237