书接上回《【AI绘画进阶篇】（手把手教你炼丹）喂饭级LoRA模型训练教程(上)》，这时我们已经打开了LoRA训练程序。

下面开始进行参数的设置。如图，从WebUI界面的左到右开始设置。

• 源模型和目录参数设置

先选择源模型，这里选择Stable Diffusion V1.5模型。

如下图，根据log（存放日志）、model（存放训练生成的LoRA模型）设置好目录地址。

注意：训练图片目录为图片集目录的上一层目录！举例说明：比如上面把50_xunxian文件夹存放到xunxian文件夹中，则目录为xunxian文件夹！而不是50_xunxian文件夹！切记切记！

然后设置好模型保存的名字。

• 训练总步数公式

训练前我们需要知道一个训练总步数的公式：

总步数控制在1000到2000步，下面分别说说公式中的各个参数。

Repeat：每张图片的重复次数（训练步数），只可以在文件夹命名的时候指定，也就是图片集文件夹的命名为“数字_名字”，这个数字便代表Repeat值！所以在上期的教程中，文件夹的命名格式才那么重要，如图所示。

Image：很好理解，也就是准备的图片集文件夹中图片的数量，一般为20-50张。

Epoch：训练的轮次，也就是所有图片训练完为1轮，从头在训练2轮、3轮……，这里一般建议训练5-10轮。

Batch_size：并行数量、批处理大小，也就是一次处理几步。数值的多少取决于你的电脑显卡显存的大小，显存小（6G及以下）推荐写1，乖乖的一次只处理一步；显存大的显卡（12G及以上）可以根据情况而定，可以写2-6。当然并行处理的步数越多，则LoRA训练的速度越快！讲到这里也就不难理解上面公式为啥要除以batch_size这个数。

• “Training parameters训练参数”设置

下面开始进行第三页面“Training parameters训练参数”的设置，这也是本篇文章的重点。

如上图，一般设置这些标记出来的参数。

Batch_size，并行批处理个数、一次处理的步数，根据自己显存大小来设置，显存小写1，显存大可以写2到6。

Epoch，训练的轮次，一般写5到10。

Save every N epochs，写1则每训练一轮便保存一次LoRA模型，比如：如果前面Epoch设置5轮，这里写1，则最后训练完成可以得到5个LoRA模型。

Network Rank（Dimension）维度，代表模型的大小。数值越大模型越精细，常用4~128，如果设置为128，则最终LoRA模型大小为144M。一般现在主流的LoRA模型都是144M，所以根据模型大小便可知道Dimension设置的数值。设置的小，则生成的模型小。

Network Alpha，一般设置为比Network Rank（Dimension）小或者相同，常用的便是Network Rank设置为128，Network Alpha设置为64。

Max resolution，训练图片的最大尺寸，根据自己图片集的最大分辨率填写。如果图片集里的图片分辨率大小不一，可以勾选右边的“Enable buckets 启用桶”。

下面是学习率和优化器的设置，比较重要，我们要单独来说说。

Optimizer（优化器），默认会使用AdamW8bit（下面会讲其他几个优化器），在AdamW8bit优化器时，学习率的设置参数如图所示。

Learning rate（学习率），可以理解为训练时Ai学习图片的速率。学习率大，则训练的快，但是容易“一目十行”，学的不够细致精确。反之，学习率小，则训练的慢，但是学的比较细致精确。默认值为0.0001，也可以写为1e-4。

Unet learning rate（Unet扩散模型学习率），设置此参数时则覆盖Learning rate（学习率）参数。默认值为0.0001，也可以写为1e-4。

Text Encoder learning rate（文本编码器学习率），一般为Unet learning rate的十分之一或者一半，比如设置为5e-5（1e-4的一半则为5e-5，十分之一则为1e-5）。

LR Scheduler（学习率调度器），理解为训练时候的调度计划安排，默认为constant（恒定值），常用cosine_wite_restarts（余弦退火）。

余弦退火算法(Cosine Annealing）是一种常用的优化算法，它是一种让学习率从一个较大的值开始，然后以余弦函数的形式逐渐减小的算法。它可以帮助模型更快地收敛到最优解，且具有良好的优化性能。此外，余弦退火算法还可以更好地改善模型的泛化能力，即模型在未见过的数据上的表现。

• DAdaptation优化器求最优学习率方法

tips：看完全文再来看这里最佳！

此外，我们还可以通过DAdaptation优化器来找到最优的学习率，如下图所示设置即可。

其他设置（指的是看完上下文的所有设置）都设置完毕后，点击Train model（开始训练模型）按钮，则开始进行LoRA模型训练。训练启动后，我们点击Start tensorboard，进入数据看板，这里记录了训练过程的一些可视化数据。

点击左上角SCALARS，然后找到左下角的lr数据图表，看到DAdaptation优化器会快速的到达一个恒定的学习率（一条直线），则这个学习率便是最优学习率（这里求得的值是3.3e-5）。

lr放大图

我们再回到学习率设置页面，把优化器改为AdamW8bit，把求得的最优学习率（这里以求得的3.3e-5为例）填入Unet learning rate处，其他值和设置根据上面的规则依次填入，如图所示。这样，一个合理的数值便设置好了。

注意：如果使用Lion优化器，则学习率要改为DAdaptation优化器找到的最优学习率的三分之一。

• “Training parameters训练参数”高级设置

如上图，这里面需要设置的部分不多。

Keep n tokens（保持N个tokens），这个参数是用来设置触发词数量的。在前面提示词打标的时候，你为你的LoRA模型设置了几个触发词，这里就填写几，常见的有1~3。

Clip skip，二次元模型选2，写实模型写1即可。

• “Training parameters训练参数”采样图片配置

Sample every n steps，比如设置为100，则代表每训练100步采样一次。

Sample every n epochs，每N轮采样一次，一般设置为1。

Sample prompt（采样提示词），输入提示词，比如：masterpiece, best quality, 1girl --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28。

如上设置之后，LoRA训练的同时会每隔设定的步数或轮次，生成一副图片，以此来直观观察LoRA训练的进展。

• 开始训练模型Train model

以上参数设置完毕，点击Train model（开始训练模型）按钮，则开始进行LoRA模型训练。

点击开始后，一般WebUI界面上没有任何提示，我们可以切换到Powershell窗口观察训练是否开始。如下图，一般出现如下字样时，便代表训练开始了。

也可以查看任务管理器，观察GPU的状态图，如果显示100%，则代表训练进行中。

下图代表训练开始，steps：0%。

经过半个多小时，LoRA模型训练完成，训练时长根据参数设定和电脑性能而定。

训练完成后，我们查看Loss值，一般Loss值为0.8~1则模型训练的比较好，Loss值为0.8则最佳。（ps：下图中Loss值大部分都不太好，是一次失败的炼丹。说明上面参数设置的不太好，需要调整参数回炉重炼。）

一般LoRA训练出来的最后一个模型没有编号，需要手动重命名一下。

然后把这些模型放入Stable Diffusion的LoRA模型所在位置就可以进行模型的测试和使用了。具体教程可以移步《Stable Diffusion：使用XYZ脚本生成对比图进行LoRA模型测试教程》。

更多Stable Diffusion Ai绘画教程请看本人主页或者头条@好奇漫步，持续更新更多Ai相关学习教程，保持关注哦～