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
34
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
|
1月前
|
存储
自然语言处理
物联网
StableDiffusion-02 LoRA上手使用实测 尝试生成图片 使用多个LoRA 调整LoRA效果 10分钟上手 多图
StableDiffusion-02 LoRA上手使用实测 尝试生成图片 使用多个LoRA 调整LoRA效果 10分钟上手 多图
45
1
1
|
1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）
32
0
0
|
22天前
|
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。
91
5
5
|
20天前
|
机器学习/深度学习
自然语言处理
数据格式
|
1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）
29
1
1
|
1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）
29
0
0
|
2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
61
4
4
|
5月前
|
语音技术
计算机视觉
CVPR 2024 Highlight ：北航等发布时间特征维护：无需训练，极致压缩加速Diffusion
【6月更文挑战第28天】在CVPR 2024会议上，北航等研究团队提出了**时间特征维护**技术，针对Diffusion模型实现无需训练的高效压缩与加速。通过选择性保留关键时间特征，他们在保持生成质量的同时，实现了模型4bit极致压缩和超过2.38倍硬件加速，简化了复杂模型，提升了运行效率。这一创新方法有望改善Diffusion模型在实际应用中的资源需求，但其鲁棒性和泛化能力尚需更多验证。[论文链接](https://arxiv.org/pdf/2311.16503)
58
5
5
|
5月前
|
机器学习/深度学习
自然语言处理
物联网
ICML 2024：脱离LoRA架构，训练参数大幅减少，新型傅立叶微调来了
【6月更文挑战第4天】在ICML 2024上，研究团队提出了傅立叶变换微调（FourierFT），一种减少训练参数的新方法，替代了依赖LoRA的微调。FourierFT通过学习权重变化矩阵的稀疏频谱系数，实现了LFMs的高效微调。在多项任务上，FourierFT展示出与LoRA相当或更优的性能，参数量却大幅减少，如在LLaMA2-7B模型上，仅需0.064M参数，对比LoRA的33.5M。广泛实验验证了其在NLP和CV任务上的效果，但未来还需探索其适用性和泛化能力。论文链接：[arxiv.org/abs/2405.03003](https://arxiv.org/abs/2405.03003)
106
0
0
|
6月前
|
机器学习/深度学习
并行计算
算法
模型压缩部署神技 | CNN与Transformer通用，让ConvNeXt精度几乎无损，速度提升40%
模型压缩部署神技 | CNN与Transformer通用，让ConvNeXt精度几乎无损，速度提升40%
145
0
0