波仔
🧠 第八章 神经网络训练
📄 一句话概括

43 张图、6 种分辨率、合计 17.5 百万像素。 最长宽比 0.60 到 1.50 跨了 2.5 倍，有两张最短边只有 384。这些数字决定要不要先裁、要不要建桶。

📝 本节和前面几节的关系

上一节算清了 LoRA 的账。这一节是动手前的准备：装什么、数据怎么整。 这一节有一部分我跑不了，会明确标出来。

一、要装三样东西

  1. 训练器。书里用的是 Kohya 那一套（sd-scripts 的图形界面版），也有人用秋叶的整合包。 它们做的事一样：读图、读标签、跑训练循环、存 LoRA 文件。
  2. 底座模型。训练是「在某个模型的基础上加旁路」，所以得先有一个底座。常见的是 SD 1.5 或 SDXL。 底座选错，后面全白搭——用 SDXL 的数据训出来的 LoRA，加载到 SD 1.5 上会直接报维度不匹配。
  3. 一张能跑的卡。SD 1.5 的 LoRA 在 6 到 8 GB 显存上能跑，SDXL 的建议 12 GB 起。 显存不够可以用梯度检查点换时间。 这三样里最容易出错的是第 2 样。 很多人从网上随便下个模型就开始训，训完发现加载不上，或者效果全歪——因为底座和预期的不一样。

二、数据集先体检，别急着训

Demo 读了 43 张图（我造的模拟数据，尺寸和体积是按真实场景的分布给的），算出 6 种不同分辨率。 主流的 512×512 有 20 张（46.5%），768×768 有 8 张，还有 512×768、768×512、1024×1024、 384×640 各几张。 分辨率先不统一，训练时的缩放就不一致。建议先统一裁到 512×512 或 768×768，再喂给训练器。 长宽比也要看：0.60 到 1.50 跨了 2.5 倍。差得多的图硬拉成正方形，人脸会变形。 解决办法是建桶（bucket）——按长宽比分几组，每组单独一个尺寸。

三、两张图会拖后腿

最短边小于 512 的有 2 张（就是那两张 384×640）。 它们不会被拒绝，但训练时会被放大到目标尺寸，放大之后是糊的。模型会把这些糊的细节也学进去。 处理办法有两个：直接删掉，或者单独放一个低分辨率桶。前者干净，后者保留多样性。 数据少于 20 张时建议前者——本来就不多，别让两张坏图占权重。 还有一个更隐蔽的问题：内容重复但文件名不同。脚本查不出这个，得靠感知哈希去重。 重复图等于给那几张加权，模型会过拟合到它们身上。

四、界面上的清单（我没有跑）

沙箱里没有显卡、没有浏览器、也装不了 Stable Diffusion，这一段我给不了截图，也不假装跑过。 下面是我按常规流程整理的清单。 1. 下载训练器整合包，解压到一个路径不含中文和空格的目录。 这一步看着无关紧要，实际上是最常见的失败点——很多 Python 库处理不了中文路径。 2. 把底座模型（.safetensors）放进指定的 models 目录。 3. 新建数据集目录，按「主题_重复次数」命名，比如 mygirl_10。 这个 10 就是 8.3.4 里那个「重复次数」。 4. 把图放进去，同名同目录放一份 .txt 标签文件（8.3.3 讲怎么生成）。 5. 打开图形界面，先不训，用「预检」或日志看一眼它读到了多少张图、多少个标签。 第 5 步很值：训练器读到的数量和你以为的数量不一致时，后面所有参数都是错的。

五、沙箱里能跑的那一半

Demo 不做图形界面，直接对一个图片清单做体检：算张数、合计体积、平均单张、分辨率种类、 每种分辨率的占比、最短边不足 512 的个数、总像素。 这些数是真算出来的，不是编的。所以这个实例能给的是：体检脚本怎么写、该看哪几个指标。 给不了的是：训练器装没装上、图形界面长什么样、点哪个按钮。这部分得在你自己的机器上做。 体检脚本很好写，但它能挡住的问题很实际——分辨率不一致、图太少、有超小图， 这三样是 LoRA 训不出效果最常被忽略的原因。

六、动手 Demo：数据集体检：张数、分辨率、长宽比、最小边

造一份 43 张图的清单（6 种分辨率、体积从 120 KB 到 2.4 MB），按分辨率分组统计张数和占比， 算合计体积、平均单张、长宽比，再筛出最短边小于 512 的图和总像素量。

for (w, h), c in sorted(by_size.items(), key=lambda kv: -kv[1]):
    ar = float(w) / h
    print(w, h, c, ar, 100.0 * c / len(files))

small = sum(1 for w, h, _ in files if min(w, h) < 512)

实跑输出：

--------------------------------------------------------------------
数据集先体检：张数、分辨率、长宽比、重名
--------------------------------------------------------------------
  目录里读到的图片         43 张
  合计体积                 49.0 MB
  平均单张                 1166 KB
  不同的分辨率种类         6 种

       分辨率   张数   长宽比    占比
  ----------------------------------
    512 × 512     20     1.00   46.5%
    768 × 768      8     1.00   18.6%
    512 × 768      6     0.67   14.0%
    768 × 512      4     1.50    9.3%
  1024 × 1024      3     1.00    7.0%
    384 × 640      2     0.60    4.7%

  体检要看的四件事，一件一件过：
  第一，张数。低于 15 张基本练不出稳定效果，20~50 张是一张 LoRA 的常见量。这次 43 张，够用。
  第二，分辨率。种类越多，训练时的缩放越不一致。上表 6 种，建议统一裁到 512 × 512 或 768 × 768 再喂。
  第三，长宽比。0.67 和 1.50 这两档需要单独建桶（bucket），否则会被硬拉成正方形，人脸就变形了。
  第四，重名和重复图。这一步脚本只能查文件名，查不出「内容一样但名字不同」，那得靠感知哈希去重。

  再补两个容易被忽略的检查：
  最短边小于 512 的        2 张（放大训练会糊）
  总像素                   17.5 百万像素

6 种分辨率、43 张、合计 17.5 百万像素。 这三个数应该记下来——后面算训练步数、算显存都要用。 长宽比那一列从 0.60 到 1.50。 跨度超过 2 倍就该建桶，否则中间那些0.67 和 1.50 的图会被压扁或拉长。 最短边小于 512 的有 2 张。 这两张是我的模拟数据里故意留的——真实数据集里也总会有那么几张从聊天记录里存下来的小图。 这份清单是我造的，所以「平均单张 1166 KB」这种数只是演示。 真跑的时候把清单换成 os.listdir 加 PIL 读尺寸就行，逻辑完全一样。

30 秒实验

  1. 把阈值从 512 改成 768，看有多少张不合格。
  2. 加一段逻辑：按长宽比把图分到 1:1、3:4、4:3 三个桶，统计每桶张数。
  3. 想一想：为什么训练器目录要避开中文路径？

常见误区

  1. 「随便下个模型当底座」——底座版本不匹配，训出来的 LoRA 加载不上。
  2. 「图越多越好」——张数过了 50 收益就小，重复图反而会让模型过拟合。
  3. 「分辨率不一样没关系」——缩放不一致会让模型学不到稳定的构图。
自测三问（点开对答案） 1. LoRA 训练需要哪三样东西？ —— 训练器、底座模型、足够显存的显卡。 2. 数据集体检要看哪四件事？ —— 张数、分辨率是否统一、长宽比跨度、有没有过小的图和重复图。 3. 短边不足 512 的图为什么要处理？ —— 训练时会被放大，放大后是糊的，模型会把这些糊的细节也学进去。

数据整好了，下一步是给每张图配文字：打标。这决定了模型到底学到什么。

相关笔记