Embeddings | LoRa | Hypernetwork概念简析，懂了才

文本嵌入/嵌入式向量（Embeddings）

词嵌入模型的基本概念：

它是一种占用空间极小的模型文件，通常只有几十kb左右，如果说Checkpoint是一本大字典，那么Embeddings就像是上面的一片小“书签”，它能够精准的指向个别字、词汇的含义，从而提供一个极其高效的索引。这种索引除了能帮AI更好地画好字典里已经有的东西以外，有时候也能实现特定形象的呈现。

它的放置路径是在根目录的同名文件夹里。

Embeddings不需要调用，只需要在特定的提示词里用特定的“咒语”去召唤它。

对于一些广泛，容错率高的概念，Embeddings的表现会不错。

以EasyNegative为例子

它只需要一个提示词进行激活，但这个提示词需要放在负面提示词里。进行提交后就会进行修复画面错乱的手指问题。

但是EasyNegative能解决的问题远不止多了少了的手或手指，它是一种综合的、全方位的基于负面样本的提炼，解决的问题还包括肢体错乱、颜色混杂、噪点和灰度异常等。它可以单独使用也可以加入提示词中使用，对正面画面内容影响不大。而不同的EasyNegative针对的类型可能会有些许区别，EasyNegative是基于Counterfeit进行训练的，作者测试对大多数二次元的模型都有较好效果，但应用到真人模型可能效果就没有正面理想了，而另一款DeepNegative是针对真人模型来训练的，可能会更加适合，也可以根据具体使用来选择。

低秩模型（LoRa）

LoRa的作用在于帮助向AI传递、描述某一个特征准确、主体清晰的形象。

如果说Embeddings是轻薄便利的小书签能通过索引给出一些关键信息，那么LoRa就像夹在书中的彩页一般，它直接写清楚了需要信息的所有特点介绍，所以AI对这种信息的了解一定是更为准确的，因此，它一定是比Embeddings所占用空间更大一点，容量大概在100-200MB左右。

目前LoRa的主要应用特点在于各种游戏、动漫角色的二次创作构建，因为训练LoRa需要针对一个对象各方各面的素材，如果是人物，可能还需要不同姿势、表情、甚至是不同画风的素材。

超网络（Hypernetwork）

尽管在作用原理上有所差异，但是最终呈现的效果大致是和LoRa相似的，如果说LoRa是传单，那么把Hypernetwork理解为小卡片意思也相差不远，但有一点显著区别，Hypernetwork一般被用于改善画风，这个画风比checkpoint所定义的画风更为精细一些，不像二次元与真实系之间的那种大的区别，有点像梵高和莫奈之间的小区别。

使用前需要先到设置里找到一个附加网络的选项，在里面选择对应的超网络添加到提示词里

在网络上多数研究者对于Hypernetwork在图像生成方面的评价并不好，至少不如LoRa和Embeddings那么好，其次它的作用其实可以部分被LoRa所取代，有不少优秀的LoRa通过对训练的样本把控已经实现了画风的塑造植入。尽管如此，在需要实现不同艺术风格时，它仍然可以提供不小的帮助。