【AI绘画】当我们在训练AI的时候，究竟在训练什么？AI训练前置知识（一）

本篇文章写于2023年9月，一些新的训练方法并没有在本篇专栏~ 包括 Dreambooth、LoRA这两种比较新的训练方法，以后会写新的专栏继续介绍~

看了这么多教程，从来没有人讲过这些东西，自己写一个。

可能很多人已经下载到别人分享的、各种地方来源的一些“模型”了，但是他们种类繁多——有pt文件，有图片格式的文件：甚至大小差别都很大，有的几十kb，有的要80、90mb左右。

那他们究竟都是什么，有什么区别？

首先我们要知道，目前来说一般用户可以训练的有两种小模型：

一个叫embedding（Textual Inversion），另外一个叫hypernetwork。分辨方法就看大小，小的就是embedding，大的就是hypernetwork

当然，还有一个最主要的巨大无比的模型（novelai泄露的那种、我们常说的4g、7g模型）这个是一般人甚至是实验室的计算资源无法训练的，我们暂且不提。

一. Textual Inversion

首先从Textual Inversion开始介绍。这个是目前所有训练教程都在教的一个东西，也是最好训练的，最常见的一种

这个方法训练出来的模型是embedding，大小约几十到几百kb，文件类型可以是.pt，.png，.webp等等。

使用这个模型的方法就是放在embedding文件夹里，然后在生成图片的时候就可以输入对应的tag来使用了。

这个Textual Inversion究竟是怎么工作的呢？来一起看下面这张图。（看不懂也不要紧）

我们在生成一张图片的时候，要提供prompt（也就是tag）。

然后这些词会通过一系列的复杂操作，变成连续向量的形式来指导AI去生成对应的图片。

embedding训练的过程，就是像在写一本词典。在这本“词典”中，添加一个词的解释 ——用他来翻译AI所不认识的词。来告诉AI：这个词、就是指的这个人物、东西、或者一个风格！

训练的过程就是从一堆给定的图片中寻找一个向量，来表示你给的词语。

然后再当读取到这个词语的时候，AI就知道了：哦 原来这个词对应的是这个东西

这个过程并不会触及到大模型的网络的任何参数以及权重，完完全全是作用在从输入的词到翻译成连续向量的过程上。这也是为什么这个训练出来的模型会如此之小、一张家用显卡在一个小时左右就可以轻松训练出来1w步数左右的模型。

这就是“文本反演”（Textual Inversion）——在文本编码器的嵌入空间（embedding）中找到新的伪词，使它可以捕获高级语义和精细视觉细节。[1]

二. hypernetwork

超网络是一种在不接触任何权重的情况下微调模型的概念。简单说就是用一个网络来生成另外一个网络的参数 [2]

工作原理是：用一个hypernetwork输入训练集数据，然后输出对应模型的参数，最好的输出是这些参数能够使得在测试数据集上取得好的效果。

也就是说，他会对整个模型进行微调、无论是什么tag全部起作用。

具体的东西过于技术了，有兴趣的朋友可以看引用的这篇论文，我就不再过多介绍了（其实是我太菜不敢教别人）

三. 对比与区别

说了这么多，那么如何选择训练哪种？

我自己的评价是，如果只是想学个人物、简单的画风、一律推荐用Textual Inversion。他能做到只影响部分、甚至是多种不同人物、画风混合等等操作。而且他训练简单方便、快捷。

hypernetwork训练经常就过拟合，寄了，不是很好训练。

四. 引用

[1] Gal R, Alaluf Y, Atzmon Y, et al. An image is worth one word: Personalizing text-to-image generation using textual inversion[J]. arXiv preprint arXiv:2208.01618, 2022.

[2] Ha D, Dai A, Le Q V. Hypernetworks[J]. arXiv preprint arXiv:1609.09106, 2016.