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

이것은 이 새로운 "LORA" 유형에 대한 호기심에서 다시 한 번 비롯되었습니다. 결과는? 품질 측면에서 IA3와 LORA 사이의 중간 형태처럼 보입니다. IA3 버전, LORA 버전, 또는 LOCON 버전과 비교해 볼 수 있습니다. 모두 동일한 데이터셋을 사용하며, 총 8에포크를 유지하기 위해 반복 횟수만 조정했습니다.

이미지적으로는 데이터셋을 반영하여 서비스 가능하지만, 학습 모델로부터 큰 '창의성'을 얻지는 못합니다. 거의 IA3와 LORA 사이의 중간 형태입니다.

다음은 제 장단점 분석입니다.

장점:

• 이전 학습을 덮어쓰지 않으므로 과적합되기 어렵습니다.

• dim 2와 동일한 수준으로 학습되었기 때문에 크기가 작습니다.

• Prodigy를 사용하면 상대적으로 빠르게 학습 가능하며, 각 개념당 에포크당 150~200 스텝이 필요합니다. 저는 5번째 에포크(에포크당 300 스텝 사용)에서 좋은 결과를 얻었고, 8번째 에포크까지 안정적으로 유지되었습니다. 각 반복은 LORA 반복 스텝의 약 1.58배 시간이 소요되므로, 그 이점은 다소 감소합니다.

단점:

• 일반적으로 모델이 채워주는 데이터셋의 단점(부족한 각도, 낮은 머리카락 세부 표현, 패브릭 텍스처, 색상 부족, 흐릿함)에 더 민감합니다.

• 품질/학습 시간 비율이 그리 좋지 않습니다. IA3는 더 빠르고, LORA/LOCON은 더 나은 결과를 보여줍니다.

결론:

현재 Diag-OFT는 Lycoris 커뮤니티에 단지 또 하나의 추가 요소일 뿐입니다. 과적합되기 어렵다는 점 외에는 특별히 이례적이거나 흥미로운 점은 없습니다.

데이터셋, 이전 에포크, 학습 TOML 파일, 그리고 6개의 다른 모델과 모든 8개 에포크 결과를 비교하는 XYZ 파일을 추가하겠습니다.

참고로 다음을 사용하여 좋은 결과를 얻었습니다: lora:yoshizuki_ioriV5:1 yoshizuki_iori,

태그된 옷만 다음과 같습니다:

• school_uniform_purple_shirt_blue_skirt_white_neckerchief_black_thighhighs