文本编码器未进行训练。 您可以重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：1000

• 学习率：8e-05

  • 学习率计划：多项式
  • 预热步数：100

• 最大梯度范数：1.0

• 有效批量大小：1

  • 微批量大小：1
  • 梯度累积步数：1
  • GPU数量：1

• 梯度检查点：True

• 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：5.0%

• LoRA秩：16

• LoRA Alpha：无

• LoRA丢弃率：0.1

• LoRA初始化风格：默认

数据集

tabler-icons-1024

• 重复次数：10
• 图像总数：4739
• 宽高比桶总数：1
• 分辨率：1.048576百万像素
• 裁剪：False
• 裁剪风格：无
• 裁剪宽高比：无
• 用于正则化数据：否

推理

import torch
from diffusers import DiffusionPipeline

model_id = 'black-forest-labs/FLUX.1-dev'
adapter_id = 'noahyoungs/icon-generator'
pipeline = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16) # 直接加载为bf16
pipeline.load_lora_weights(adapter_id)

prompt = "极简图标，向上箭头"

## 可选：量化模型以节省显存。
## 注意：模型在训练期间已量化，因此建议在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级别
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")