仅用于测试 IpAdapter 每种 weight_type 的工作流。

此工作流允许我们并排查看 IpAdapter 的每种 weight_type 选项，从而根据预期用途确定最佳选择。

如果你喜欢我的作品，请点赞，考虑留下评论或支持我，我将不胜感激！给我买杯咖啡

每种 IpAdapter 选项的简要说明：

weight_type – 定义嵌入在时间或空间上应用的模式：

• linear：以恒定且线性的方式应用权重。

• ease in：起始较弱，逐渐增强权重强度。

• ease out：起始较强，随时间逐渐减弱。

• ease in-out：在两端（开始和结束）均平滑过渡。

• reverse in-out：ease in-out 的逆向，强调中间部分。

• weak input：起始时应用较弱的强度。

• weak output：结束时应用较弱的强度。

• weak middle：过程中间段的强度较低。

• strong middle：中间段强度较高，两端强度较低。

• style transfer：专注于保留原始图像的风格，平滑且渐进地强调。

• composition：尝试以平衡的方式融合不同嵌入，实现和谐过渡。

• strong style transfer：强烈强化参考图像的风格嵌入。

embeds_scaling – 定义嵌入如何整合到注意力机制中：

• V only：仅在交叉注意力中使用值向量（V），干扰较小。

• K+V：同时使用键向量（K）和值向量（V），对结果施加更大影响。

• K_V w/ C penalty：与 K+V 相同，但增加一致性惩罚（C）以避免失真。

• K+mean(V) w/ C penalty：使用 K 和 V 的均值，并施加一致性惩罚——在平滑性与控制力之间取得平衡。

combine embeddings – 多个嵌入的合并方法：

• concat：直接拼接——沿特征维度简单连接嵌入，增加总体尺寸，保留所有个体信息。

• add：逐元素相加——对向量的对应值求和，直接融合表示。

• subtract：嵌入相减——用于凸显它们之间的差异（例如，风格 A - 风格 B），可产生显著的视觉变化。

• average：简单平均——平滑嵌入，产生均衡的融合，不易失真。

• norm average：归一化平均——与 average 类似，但在合并前对向量进行归一化，保持它们的幅度一致，有助于防止权重差异极大的嵌入主导融合结果。