Task3学习链接
Datawhale (linklearner.com)
1. ComfyUI的安装与使用
ComfyUI 是GUI"Graphical User Interface"（图形用户界面）的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术，它把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程。
通过这种方式我们就能避免直接面对复杂的代码和框架直接图形化的使用模型和生成图像了
ComfyUI 核心模块由模型加载器、提示词管理器、采样器、解码器构成。具体的解释可以查看学习链接，这里着重说明两点：
1. 模型加载器：Load Checkpoint用于加载基础的模型文件，包含了Model、CLIP、VAE三部分
2. CLIP模块将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入，而解码器：VAE模块的作用是将Latent space中的embedding解码为像素级别的图像
安装时我们直接进入Notebook，打开terminal并输入学习链接中的代码：
git lfs install
git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git
mv kolors_test_comfyui/* ./
rm -rf kolors_test_comfyui/
mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/
mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/ 之后刷新左侧文件并点开ComfyUI.ipynb运行即可安装
安装完成在最后可以找到对应的入口链接如图
进入链接如图
之后操作可能因为等待出现卡顿白屏稍等就好
下载学习链接中的对应.json文件并加载如图，即可获得生成的图像
使用我们Task1微调训练出来的Lora即可获得如图
2.Lora微调
现在让我们回到之前的任务中
LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上进行高效微调的技术。它可以通过高效且灵活的方式实现模型的个性化调整，使其能够适应特定的任务或领域，同时保持良好的泛化能力和较低的资源消耗。这对于推动大规模预训练模型的实际应用至关重要。
LoRA通过在预训练模型的关键层中添加低秩矩阵来实现。这些低秩矩阵通常被设计成具有较低维度的参数空间，这样它们就可以在不改变模型整体结构的情况下进行微调。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部分权重保持不变。
Task2中对应的可微调代码如下
import os
cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
--pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
--pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
--pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
--lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求
--lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
--dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
--output_path ./models \ # 指定输出路径，用于保存模型
--max_epochs 1 \ # 设置最大训练轮数为 1
--center_crop \ # 启用中心裁剪，这通常用于图像预处理
--use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
--precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用
""".strip()
os.system(cmd) # 执行可图Lora训练 需要调整的取消注释进行调整
这里和之前ComfyUI的一些概念可以进行进一步了解：
1.UNet：负责根据输入的噪声和文本条件生成图像。在Stable Diffusion模型中，UNet接收由VAE编码器产生的噪声和文本编码器转换的文本向量作为输入，并预测去噪后的噪声，从而生成与文本描述相符的图像
2. VAE：生成模型，用于将输入数据映射到潜在空间，并从中采样以生成新图像。在Stable Diffusion中，VAE编码器首先生成带有噪声的潜在表示，这些表示随后与文本条件一起输入到UNet中
3.文本编码器：将文本输入转换为模型可以理解的向量表示。在Stable Diffusion模型中，文本编码器使用CLIP模型将文本提示转换为向量，这些向量与VAE生成的噪声一起输入到UNet中，指导图像的生成过程
当然如果微调后脚本要重新载入ComfyUI，自己生成的样图如下
结语
经过这几次的学习，初步了解了文生图片模型的原理和使用。事实上，精确的微调还是离不开代码层的了解，而丰富和全面的GUI对使用者便捷程度也有非常大的提升。相信在大模型的帮助下，智能的GUI也会进一步深入和加强其功能，使得人们对于大模型的使用更加方便简单，得到的图片结果更符合使用者的预期。
总结
### 文章总结：Task3 学习链接——ComfyUI安装与使用及Lora微调#### ComfyUI 安装与使用
**ComfyUI 简介**：
- **定义**：ComfyUI 是一种基于节点的图形用户界面（GUI）工具，用于操作图像生成技术。它将图像生成分解为多个节点，用户可以通过连接这些节点定制图像生成过程。
- **核心模块**：包括模型加载器、提示词管理器、采样器、解码器。其中，模型加载器加载基础模型（含Model、CLIP、VAE）；CLIP将文本转换为模型可理解的latent space embedding；VAE将embedding解码为像素级图像。
**安装步骤**：
1. 使用Notebook打开terminal，输入学习链接中的代码进行安装。
2. 刷新文件并运行ComfyUI.ipynb文件进行安装。
3. 安装完成后，在Notebook中找到对应链接，进入操作界面。
4. 下载指定.json文件并加载，可生成图像。
#### Lora微调
**LoRA 技术介绍**：
- **定义**：LoRA (Low-Rank Adaptation) 是一种在预训练模型上进行高效微调的技术，通过添加低秩矩阵实现，保持模型大部分权重不变，提升定制化与资源效率。
- **作用**：在不显著影响模型性能的前提下，通过调整低秩矩阵实现个性化适应，降低计算和内存需求。
**实现步骤**：
1. 使用Task2中的微调代码，通过调整参数（如lora_rank、lora_alpha等）进行细致化训练。
2. 选择UNet、VAE、文本编码器等组件进行模型训练，具体路径和配置需根据实际项目设定。
3. 微调完成后，可通过ComfyUI重新加载自定义模型，生成符合预期的图像。
#### 结语
通过学习，不仅初步了解了文生图片模型的原理和使用，还掌握了ComfyUI的安装与操作以及LoRA微调技术。精准的微调离不开对代码层的深入了解，而GUI的便捷使用进一步提升了操作效率与体验。未来，在大模型的持续推动下，智能GUI将会更加强大，使得图像生成更加简单、高效且符合用户预期。