Iori Yoshizuki ( diag-oft experiment version ) - I''s

这再次源于我对这种新型“LORA”方法的好奇心。结果如何？它的质量似乎介于IA3和LORA之间。你可以与IA3版本、LORA版本或LOCON版本进行比较。它们都使用相同的数据集，仅通过调整重复次数，使总训练轮数保持在8轮。

从图像效果来看，它能够反映数据集的特征，但训练模型并未带来太多“创造性”。基本上，它处于IA3和LORA之间的位置。

以下是我在优缺点方面的分析：

优点：

• 由于它不会覆盖之前的训练，因此较难过度拟合。

• 文件体积较小，因为它以相当于dim=2的配置进行训练。

• 使用Prodigy训练相对较快，每个概念每轮需要150~200步。我在第5轮（每轮使用300步）时已获得良好效果，并且直到第8轮都保持稳定。每个迭代步骤耗时约为LORA的1.58倍，因此在效率上略有折损。

缺点：

• 它对数据集的缺陷更为敏感，而这些缺陷通常会被模型自行填补（如缺失角度、头发细节不足、织物纹理模糊、色彩偏低、模糊不清等）。

• 质量与训练时间的比率并不理想，因为IA3训练更快，而LORA/LOCON的最终效果更好。

结论：

目前，Diag-OFT似乎只是Lycoris工具箱中的又一个新增选项，没有特别新奇或令人兴奋之处，唯一的优点是较难过度拟合。

我将附上数据集、之前的训练轮次、训练用的TOML文件，以及一个比较6种不同模型、8轮训练结果的XYZ文件。

顺便提一下，使用以下提示词效果不错：lora:yoshizuki_IoriV5:1 yoshizuki_Iori，

唯一标注的服装是：

• school_uniform_purple_shirt_blue_skirt_white_neckerchief_black_thighhighs