接上篇：https://developer.aliyun.com/article/1621195?spm=a2c6h.13148508.setting.16.45bd4f0eTjZGme
测试效果
（这里随便选了一个基础模型）
无LoRA
其他图我就不放了
使用LoRA
为了更好更多的展示，这里直接把COUNT调到4，直接给大家展示4个一张的
提示词我也不放了！大家按照自己的喜欢使用即可！
多个LoRA搭配使用一下效果更佳！可以看这节内容，里边有详细的使用流程
StableDiffusion-04 (炼丹篇) 15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（二）
2024-10-12
40
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
StableDiffusion-04 (炼丹篇) 15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（二）
目录
相关文章
|
2月前
|
物联网
StableDiffusion-04 (炼丹篇) 15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（一）
StableDiffusion-04 (炼丹篇) 15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（一）
39
0
0
|
29天前
|
机器学习/深度学习
存储
人工智能
谢赛宁新作：表征学习有多重要？一个操作刷新SOTA，DiT训练速度暴涨18倍
谢赛宁团队提出REPA方法，通过将扩散模型中的噪声输入隐藏状态与外部预训练视觉编码器的干净图像表征对齐，显著提升扩散模型的训练效率和生成质量，为扩散模型在表征学习上的应用开辟新路径。
35
5
5
|
2月前
|
机器学习/深度学习
人工智能
并行计算
DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍
DeepSpeed Chat 是一款革命性的平台，专为简化和加速类ChatGPT模型的训练而设计。通过一键式脚本，用户可以轻松完成从预训练模型到生成自定义ChatGPT模型的全过程。该系统复刻了InstructGPT的RLHF训练方法，并集成了一系列优化技术，如DeepSpeed Hybrid Engine，大幅提升了训练效率和经济性。使用DeepSpeed Chat，即使是拥有数千亿参数的大模型，也能在短时间内完成训练，且成本显著降低。无论是单GPU还是多GPU集群环境，DeepSpeed Chat都能提供卓越的性能和易用性，让RLHF训练变得更加普及。
91
7
7
|
2月前
|
机器学习/深度学习
算法
物联网
大模型进阶微调篇（一）：以定制化3B模型为例，各种微调方法对比-选LoRA还是PPO，所需显存内存资源为多少？
本文介绍了两种大模型微调方法——LoRA（低秩适应）和PPO（近端策略优化）。LoRA通过引入低秩矩阵微调部分权重，适合资源受限环境，具有资源节省和训练速度快的优势，适用于监督学习和简单交互场景。PPO基于策略优化，适合需要用户交互反馈的场景，能够适应复杂反馈并动态调整策略，适用于强化学习和复杂用户交互。文章还对比了两者的资源消耗和适用数据规模，帮助读者根据具体需求选择最合适的微调策略。
617
5
5
|
1月前
|
机器学习/深度学习
自然语言处理
数据格式
|
2月前
|
人工智能
语音技术
UED
仅用4块GPU、不到3天训练出开源版GPT-4o，这是国内团队最新研究
【10月更文挑战第19天】中国科学院计算技术研究所提出了一种名为LLaMA-Omni的新型模型架构，实现与大型语言模型（LLMs）的低延迟、高质量语音交互。该模型集成了预训练的语音编码器、语音适配器、LLM和流式语音解码器，能够在不进行语音转录的情况下直接生成文本和语音响应，显著提升了用户体验。实验结果显示，LLaMA-Omni的响应延迟低至226ms，具有创新性和实用性。
77
1
1
|
2月前
|
物联网
StableDiffusion-03 (准备篇)15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（二）
StableDiffusion-03 (准备篇)15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（二）
40
1
1
|
2月前
|
Shell
Docker
Python
LLM-02 大模型 本地部署运行 ChatGLM3-6B(13GB) 双卡2070Super8GB 环境配置 单机多卡 基于LLM-01章节 继续乘风破浪 为大模型微调做准备
LLM-02 大模型 本地部署运行 ChatGLM3-6B(13GB) 双卡2070Super8GB 环境配置 单机多卡 基于LLM-01章节 继续乘风破浪 为大模型微调做准备
79
1
1
|
2月前
|
并行计算
Ubuntu
物联网
StableDiffusion-03 (准备篇)15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（一）
StableDiffusion-03 (准备篇)15分钟 部署服务并进行LoRA微调全过程详细记录 不到20张百变小樱Sakura微调 3090(24GB) 学不会你打我！（一）
39
0
0
|
3月前
Meta浙大校友让评估模型自学成才，数据全合成无需人工标注，训练Llama 3 70B超过405B
【9月更文挑战第21天】近日，一篇名为《Self-Taught Evaluators》的论文引起了广泛关注。该论文由Meta与浙江大学校友合作完成，提出一种创新的模型评估方法，通过让评估模型自学习训练，无需依赖昂贵且易过时的人工标注数据。此方法利用合成数据，通过迭代生成对比模型输出并训练基于大型语言模型的评估器，从而实现自我迭代改进。研究结果显示，在不使用任何标注偏好数据的情况下，这种方法显著提升了评估模型的性能，甚至超越了一些现有模型。尽管如此，该方法在实际应用中仍需进一步验证。论文地址：https://arxiv.org/abs/2408.02666
80
4
4
热门文章
最新文章
1
跟阿里云技术专家阙寒一起深度了解视频直播CDN技术
2
流批一体的近实时数仓的思考与设计
3
丰富、连接、待集成—MaxCompute 生态再出发
4
securecrt克隆会话与sshd 的 MaxSessions
5
McAfee揭秘网络最危险搜索关键词
6
微软再爆IE 0day漏洞 绿盟科技提供预警及防护手段
7
uboot命令分析+实现【转】
8
读书笔记--101个shell脚本 之#11--炫
9
SQL Server 深入解析索引存储(堆)
10
OAF_EO系列3 - Initialize详解和实现（案例）
1
【claude官网中文版】国内如何使用claude?记住这十大技巧！
99
2
调用云端Qwen系列大模型（TURBO、PLUS、MAX和MAX_LATEST）在国际商业咨询智能体场景的实践探索
50
3
已解决：国内如何使用Claude 3.5 Sonnet \ claude官网中文入口
42
4
HarmonyOS 5.0 Next实战应用开发—‘我的家乡’【HarmonyOS Next华为公司完全自研的操作系统】
64
5
自学记录鸿蒙API 13：实现多目标识别Object Detection
158
6
《探索人工智能产业的可持续发展模式与策略》
18
7
《人工智能助力社会学研究：数据挖掘与分析方法的深度探索》
20
8
《软体机器人与仿生机器人的人工智能控制技术：挑战与突破》
18
9
《探索机器人自主导航与路径规划技术的热点》
20
10
《集成学习：堆叠泛化与提升法在人工智能中的应用热点》
16