文本编码器未参与训练，推理时可复用基础模型的文本编码器。

训练设置

• 训练周期：2

• 训练步数：3750

• 学习率：0.00015

  • 学习率计划：恒定
  • 预热步数：100

• 最大梯度范数：0.1

• 有效批次大小：6

  • 微批次大小：2
  • 梯度累积步数：3
  • GPU数量：1

• 梯度检查点：启用

• 预测类型：流匹配（额外参数：['shift=3', 'flux_guidance_mode=constant', 'flux_guidance_value=1.0', 'flow_matching_loss=compatible', 'flux_lora_target=all']）

• 优化器：adamw_bf16

• 可训练参数精度：纯BF16

• 标题丢弃概率：10%

• LoRA秩：64

• LoRA Alpha：无

• LoRA丢弃率：0.1

• LoRA初始化风格：默认

数据集

（各数据集参数说明采用统一格式，此处简化为关键参数）

• ben-brand-256：分辨率0.065536百万像素，未裁剪
• ben-brand-crop-256：中心裁剪为正方形
• ...（其他分辨率版本类推）
• ben-brand-1440：分辨率2.0736百万像素

推理代码

import torch  
from diffusers import DiffusionPipeline  

model_id = 'black-forest-labs/FLUX.1-dev'  
adapter_id = 'davidrd123/Ben-Brand-LoRA'  
pipeline = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16)  
pipeline.load_lora_weights(adapter_id)  

prompt = "宇航员骑着马穿越泰国丛林。"  

# 可选量化以节省显存  
from optimum.quanto import quantize, freeze, qint8  
quantize(pipeline.transformer, weights=qint8)  
freeze(pipeline.transformer)  

pipeline.to('cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu')  
image = pipeline(  
    prompt=prompt,  
    num_inference_steps=20,  
    generator=torch.Generator(device='cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu').manual_seed(42),  
    width=1024,  
    height=1024,  
    guidance_scale=3.0,  
).images[0]  
image.save("output.png", format="PNG")