文本编码器未进行训练。
你可以复用基础模型的文本编码器进行推理。

训练设置

• 训练周期: 0

• 训练步数: 10000

• 学习率: 8e-05

  • 学习率调度: 多项式
  • 预热步数: 100

• 最大梯度值: 2.0

• 有效批大小: 1

  • 微批大小: 1
  • 梯度累积步数: 1
  • GPU数量: 1

• 梯度检查点: 是

• 预测类型: 流匹配（额外参数=['shift=3']）

• 优化器: adamw_bf16

• 可训练参数精度: 纯BF16

• 基础模型精度: int8-quanto

• 标题丢弃概率: 5.0%

• LoRA秩: 64

• LoRA Alpha: 无

• LoRA丢弃率: 0.1

• LoRA初始化风格: 默认

数据集

my-dataset-512

• 重复次数: 10
• 总图像数: 735
• 总宽高比分桶数: 1
• 分辨率: 0.262144百万像素
• 裁剪: 否
• 裁剪风格: 无
• 裁剪宽高比: 无
• 用于正则化数据: 否

my-dataset-crop-512

• 重复次数: 10
• 总图像数: 732
• 总宽高比分桶数: 1
• 分辨率: 0.262144百万像素
• 裁剪: 是
• 裁剪风格: 居中
• 裁剪宽高比: 正方形
• 用于正则化数据: 否

推理

import torch  
from diffusers import DiffusionPipeline  

model_id = 'stabilityai/stable-diffusion-3.5-large'  
adapter_id = 'DovahChikiin72/simpletuner-lora-screenprinting'  
pipeline = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16) # 直接加载为bf16  
pipeline.load_lora_weights(adapter_id)  

prompt = "适合丝网印刷工艺的图像。"  
negative_prompt = '模糊, 裁剪, 丑陋'  

## 可选：量化模型以节省显存。  
## 注意：模型在训练时已量化，建议推理时也进行相同操作。  
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') # 管道已处于目标精度  
model_output = pipeline(  
    prompt=prompt,  
    negative_prompt=negative_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=512,  
    height=512,  
    guidance_scale=5.0,  
).images[0]  

model_output.save("output.png", format="PNG")