再见，三上老师
上个星期的互联网有两件大事，一件是 GPT-4、文心一言相继发布，另一件则是三上老师突然宣布了引退。
虽然在这一天，国内重定向访问 New Bing 聊天机器人的功能失效，有小伙伴问我两者相比哪个更让人难过？但这还用问吗？
在这个职业寿命大概只有 2 年左右的行当，三上老师坚持了足足 8 年。
8 年间，主业不仅多年霸占 Fanza 通贩年度销量榜单前三，副业更是积攒了数百万粉丝，称她为这个行业的一面旗帜都不为过。
在推特上看了这个消息后，周末又去油管上看了三上老师对引退的回应。
实话实说，一句没听懂。
但我用上星期分享给大家的，基于 GPT-3.5 开发的视频总结工具 BibiGPT，帮我提炼了视频内容：
大意就是，引退是真的，感谢大家过往的支持，在 30 岁这个分水岭上，决心要专注于新工作，开启新的人生篇章了。
但实话实说，作为粉丝，除了祝福，其实更多的是遗憾，我们怎么才能把握住遗憾呢？或许 AI 绘画可以。
三上 Lora
如果你还不知道 AI 绘画成长到了什么地步，建议大家复习一下之前的介绍和教程：
👉Stable Diffusion 的介绍、👉谷歌 Colab 部署 Stable diffusion Webui 的教程、以及👉 Webui 上扩展该怎么用的教程。
在这三篇文章里，都提到了一个模型，和专门分享 AI 绘画模型的网站——
前者是 Lora，可以像打补丁那样，快速固定 AI 绘图时的人物形象、风格。
后者是 C 站，里面有收录全球网友训练的各式各样 Lora 模型。
地址：https://civitai.com
事实上，在三上悠亚老师发出引退声明的第二天，C 站上就出现了三上老师的 Lora 模型，至今已有 5000+ 的下载量。
地址：https://civitai.com/models/19239
在这个 Lora 模型的介绍下，第一句就在说：2015-2023 end of an era...
一个时代结束了，但使用这个 Lora 模型，算不算也是给硬盘中的老师留个纪念呢？
无独有偶，同样是 C 站，在引退后的第四天，有一位国内网友也分享了自己训练的 Lora 模型。
地址：https://civitai.com/models/20337
在这个 Lora 模型的简介里，作者说到，这是他学习 AI 绘画后训练的第一个模型，从三上老师的推特里，挑选了 100 张左右以自拍、日常照为主的图片。
其实这里插一句，目前高质量的训练集，除了这些岛国老师，确实很难有更好的选择，主要是选取照片的人物年龄不能相差太远，照片角度多，这样才能有高质量的Lora 模型。
所以请谨慎模仿，务必不要乱搞不该搞的，责任自负。
底层模型选用的是 ChilloutMix，训练分辨率为 512*512，每张图片训练 10 次，就生成了这个模型。
也就是说，只要你的硬件设备允许训练（显存 8G 起步），我们也能生成自己的 Lora 模型，那有没有什么办法，像在云端跑图那样，在云端训练呢？
当然有，这里分享一个同样是 Google Colab 上训练的部署脚本。
Lora_train
这个部署脚本的作者是 B 站 UP 主@BUL3SKY，之所以分享这个部署这个脚本，最直接的原因就是 UP 主更新十分及时。
你甚至能在脚本介绍里，看到 19 号凌晨 2 点的更新。。。
地址：https://colab.research.google.com/drive/1_f0qJdM43BSssNJWtgjIlk9DkIzLPadx?usp=sharing
脚本虽然有 3 大块，但 A 和 C 分别是脚本使用须知，以及无法挂在谷歌云盘的解决方案，我们需要操作的，其实都在 B 这一节。
本地处理图片
不过在训练前，我们还需要一步至关重要的准备工作，即提前准备好待训练的图集，这里我们可以选择 Webui 自带的预处理训练图片的功能实现。
当然，你也可以尝试用我们之前写过教程的 Colab 运行 Webui 实现这一步，不过相当于把图片一张张上传到云服务器，虽然图没多大，但受限于网络，图一多还是很影响速度的。
所以，更建议真心想玩的小伙伴本地处理训练图片，别管你是 A 卡，还是低配 N 卡，哪怕跑图慢成狗，裁剪图片这一步都能完成。
我就是用 4G 显存的 A 卡老爷机搞定的，本地 Webui 直接上的是 B 站 UP 主@秋叶aaaki 提供的一键部署整合包。
图像预处理界面是这样的：
源目录：这是我们本地存放图片的文件夹目录。
目标目录：这是是处理后导出的文件夹目录。
宽高：是你想要处理图片后得到的结果，不建议大，在训练模型时会爆显存，导致训练失败。
至于其他的勾选，看图上的字就好了。
如果你是第一次折腾这个，建议勾选「使用 deepbooru 生成说明文字」，什么作用？比如下图。
左边是我提供的训练图，右边是预处理时生成的文本文件，所谓训练，就是让 AI 认识学习你所提供图片的特征，进而生成新的模型。
但反直觉的是啊，文本里所标注的词条，是在 Lora 模型训练过程中，不希望被 Lora 模型所记住的词条。
所以正确保留这些文本的姿势，是你想让 Lora 模型记住什么特征，就把对应文本给删了，不想 Lora 模型保存的，留下，或我们手动自行添加。
划重点了——
预处理工具：Webui。
图片要求：最好清晰、画面不要太乱太杂，最好抠掉背景。
文本标签：留下的是我们不想要的，删掉的是我们想要的。
然后你会得到一个一一对应的文件夹。
可以给这个文件夹起个名字，格式是「数字_名称」，数字代表后续训练过程中的重复次数（一般 5-10），名称就随大家起咯。
至于这个文件夹做好了放哪里？以这次我们使用的 Google Colab 举例，当然是放到谷歌云盘上。
在谷歌云盘上，在初始目录里的，新建一个名为「Lora」的文件夹。
然后再新建一个名为「input」，一个名为「output」的文件夹。
我们把刚刚处理好文件夹扔到 input 里，注意，是整个文件夹扔进去哦，而 output 存放的则是一会我们训练好的 Lora 模型。
开始训练
准备工作做完了，就可以着手使用部署脚本，开始训练了。
展开 B 这一节的内容，我们先挂载自己的谷歌云盘，点左侧运行小按钮就能运行代码。
然后，我们就可以在左侧文件里，找到名为「drive」的谷歌云盘了，里面是我们刚刚配置好的样子。
然后就是比葫芦画瓢，依次运行 5 里面的两段代码，只要你的目录设置正确，这里的不会报错的，不过配置环境以及拷贝图集的速度会比较慢，5-6 分钟左右，请耐心等待。
等 5 跑完了，就需要开始选择训练时的底模了，什么是底模？
Lora 模型的作用，是像打补丁那样，覆盖掉原有模型的参数，在生成图片时，变成特定风格的人物。
原有模型，就是我们要选择的训练底模，比如人物模型 ChilloutMix，我们要做的就是——
1、把 base_model 换成 Download by you。
2、模型链接，一定是要下载链接。
3、根据下载文件的后缀，选择对应的后缀。
如果你不知道模型后缀是什么，不妨点一下下载，自己瞅瞅看。
这一步运行完成后，依次运行 7（训练参数）、8（开始训练）的代码，AI 就开始训练学习啦。
参数其实也很重要，至于为什么不讲？当然是有更好的教程，我也是从这里一点点学的：
脚本作者的讲解：https://www.bilibili.com/video/BV1rs4y1o7V8/
另一位大佬关于正则化的讲解：https://www.bilibili.com/video/BV1GM411E7vk
前面打标签的也有教程，具体的可以看这个：https://www.bilibili.com/video/BV1ZM411c7aj
关于预处理、以及本地训练的操作，可以看秋叶大佬的这个：https://www.bilibili.com/video/BV1fs4y1x7p2
等训练结束，谷歌云盘 output 里，就会出现你刚刚训练的 Lora 模型啦，有很多个，数字越大越精准，但效果好坏不一定，建议把数字大的那两个拿出来跑图。
这是我用自己训练的 Lora 模型，跑的图：
下滑有更多
结语
其实今天这篇就两节内容，一节是感慨一个时代的结束，我还让 ChatGPT 帮我以「再见三上悠亚」为题，写了一篇诗，味很对。
另外一节算是 AI 云端炼 Lora 模型的基础教程，这虽然不是像 AI 绘画那样有手就行，还需要动动脑子，但至少这么操作下来是可以跑通的。
昨天，我们的「ChatGPT 魔法书」不是正式开车了嘛，在这里先感谢上车的小伙伴们的支持，本来我还想着撑死了 200 人左右，结果最后上车了 1000 多位小伙伴，再次感谢大家的信任。
社区运营我们确实是新手，昨天手忙脚乱的，但我们也会像ChatGPT一样快速迭代，每天进步一点点，一周一个新模样。包括内容这一块放心，干货绝对少不了。
对 ChatGPT 感兴趣，对 AI 绘画感兴趣，而且还没上车的小伙伴，抓紧时间上车啦。
对于还没上车的小伙伴，按照之前我们说的，本来是每进 100 人涨 10 元，今天的价位应该是 229 元/年了，但这毕竟是第一周运营，我们讨论过后决定：
截止到本周五晚上 12 点之前，首周限时优惠价 199 元/年，周六恢复299元/年。
除了开张顺利的兴奋，更多的是沉甸甸的压力，我说什么来着，要的就是这份压力，咱们一起加油。
QQ 群：729224889 网站：wldxh.com