Embeddings | LoRa | Hypernetwork概念简析，懂了才

Embeddings(词嵌入)的概念和三

种应用

C站里筛选时以另外一种形式被表达

“Texttual Inversion” 文本倒置

模型checkpoint比作字典，em就是字典上的小书签，精准地为你指向个别字词的含义

有时也可以那么帮我们实现特定形象的呈现，例如猫又，em会汇总猫，人，妖怪的信息

em在深度学习领域全称“嵌入式向量”

后缀一般是.pt

位置 根目录/embeddings

em不需要特别调用，只需要在提示词中调用

反推提示词技巧：图生图导入图片，cliphe和deepbooru反推

db速度和识别准确度更具有优势

反推的词筛选修改后加入文生图提示词里，生成的形象就更准确了

Em对ai绘画的帮助

1.可以为我们指向某种特定的形象，例如D.VA

对于一些更为广泛，容错率更高的角色概念，em表现会好很多

2.一个有趣的例子chaituner em（角色转身）

作者给出的基本提示词格式

x描述人物特点，例如dva的em

y着重描写服饰

一次生成里可以激活多个em，不会冲突，但具体效果要再观察

3.解决ai不会画手的痛点

写入反向提示词里

以easynegative为例，是一种综合的全方面的基于负面样本的提炼，解决的问你可能包括肢体错乱，颜色混杂，噪点和灰度异常等

基于counterfeit训练，对大多数二次元模型有效

deepnegative基于真人模型训练

Lora 低秩适应模型

Low-Rank Adaptation Models

作用：帮助你向ai传递、描述一个特征准确、主题清晰的形象

例如，小猪佩奇

如果说em是轻薄便利的小书签，lora就是一张加载里面的彩页，他直接写明了佩奇是什么，有什么特点，可以用什么方式去呈现

位置：根目录/models/lora

触发：<lora：名字>

某些lora也会提供触发提示词（Trigger Word），可以加上强化效果

降低lora权重，可以降低Lora对模型画风的影响。0.5-0.8之间都可以确切地保留特征但减弱对画面风格的影响

Hypernetwork超网络

经由他让ai学习一些原本不存在他的世界里的东西，并且描述清楚一步到位

lora是传单，hy就是小卡片

区别：hy一般用于改善生成图像的整体风格，“画风”。这个画风比checkpoint定义的画风更精细，不是二次元和真实系 的区别，类似梵高和莫奈这种的小区别

位置：根录/models/hypernetwork

使用方法：设置-附加网络-将超网络（Hypernetwork）添加到提示词