lora是大模型的路标，是字典的书签。AI将提示词对应的底模特征与练习会集的特征进行比照，将两者的差异进行比照并将差异贮存，这就是lora。

　　AI在练习集学习时，先辨认练习会集特征，并将此特征与最契合的提示词进行绑定。所以当提示词中没有适宜的方针时，则绑定到了触发词中。

　　当AI辨认的特征过于杂乱时，难以辨认其归于哪种提示词，也无法精确地绑定到对应地提示词，并污染solo等高度归纳词。这种状况在鬼魅类由为严峻，需求专门裁切来强化练习，不然即使将杂乱特征都赋予到触发词上，也会过拟合无法运用。

　　底模与练习lora的画风越靠近，在练习时，更简单将特征进行匹配并记载差异。许多新的大模型都是根据开始的大模型，将各种提示词对应的特征进行了优化，使之能出图愈加契合美感。可是这意味着这些特征现已是被改造过的，假如魔化严峻，在此底模练习出的lora在其他大模型上就难以运用，效果欠安。所以练习时，也引荐直接运用进行lora练习。

　　1、loss下降确保了更多的细节得到学习，练习图片特征交融率更高（画风、划痕、光影、颜色、原料）

　　2、不同的图片数量和特征差异所对应的最优化的loss出现在不同练习步数区间

　　4、实践上，同类比照下loss越低lora的效果越好，当loss在后半段的动摇越安稳，效果越好。

　　在反常和危险状况下体系生计的才能，面临各种反常状况时仍能坚持相对安稳的功能。

　　效果1：进步lora的泛化才能，在炼制功能性和画风lora中必不可少。在物品lora中，使AI认知物品的方位联系。

　　效果2：给某一提示词供给不同的特征，然后下降此提示词的权重，进步lora的泛化性，和杰出方针特征的复原性

　　1、数量引荐：练习集（10~30）；正则练习集（80~100），至少大于等于练习集数量。练习次数：6_ 练习集,1_ 正则练习集。

　　4、用于数据增强：在人型lora练习会集放入风格和姿势各异的无脸果图来伪装人物方针的裸体形象，然后泛化其画风和动作，适用于练习集数量过少的状况。（对此办法的复原性存疑，以及练习步数参数不知道）

　　先验常识是指在进行学习、推理或决议计划之前现已具有的关于特定范畴的常识和概念。

　　在机器学习中，先验常识能够用来辅导模型的学习进程，协助模型更快、更精确地进行练习和推理。

　　先验常识能够协助咱们从许多的信息中筛选出重要的内容，削减冗余和无关信息的搅扰

　　判别逻辑：只要需求的特征得到充沛复原就是好，不需求的特征越充沛复原就越不受控。

　　过拟合危险（崩坏概率）：仅引发 删特征全标正则化

　　声明：许多内容都是从不同作者的教育视频和文章中摘录并加之个人总结来的，触及之多很难再一一找到出处，只能在此为一切教育贡献的教师致以感谢。