Embeddings(詞嵌入)的概念和三

種應(yīng)用

C站里篩選時以另外一種形式被表達

“Texttual Inversion” 文本倒置

模型checkpoint比作字典，em就是字典上的小書簽，精準(zhǔn)地為你指向個別字詞的含義

有時也可以那么幫我們實現(xiàn)特定形象的呈現(xiàn)，例如貓又，em會匯總貓，人，妖怪的信息

em在深度學(xué)習(xí)領(lǐng)域全稱“嵌入式向量”

后綴一般是.pt

位置 根目錄/embeddings

em不需要特別調(diào)用，只需要在提示詞中調(diào)用

反推提示詞技巧：圖生圖導(dǎo)入圖片，cliphe和deepbooru反推

db速度和識別準(zhǔn)確度更具有優(yōu)勢

反推的詞篩選修改后加入文生圖提示詞里，生成的形象就更準(zhǔn)確了

Em對ai繪畫的幫助

1.可以為我們指向某種特定的形象，例如D.VA

對于一些更為廣泛，容錯率更高的角色概念，em表現(xiàn)會好很多

2.一個有趣的例子chaituner em（角色轉(zhuǎn)身）

作者給出的基本提示詞格式

x描述人物特點，例如dva的em

y著重描寫服飾

一次生成里可以激活多個em，不會沖突，但具體效果要再觀察

3.解決ai不會畫手的痛點

寫入反向提示詞里

以easynegative為例，是一種綜合的全方面的基于負(fù)面樣本的提煉，解決的問你可能包括肢體錯亂，顏色混雜，噪點和灰度異常等

基于counterfeit訓(xùn)練，對大多數(shù)二次元模型有效

deepnegative基于真人模型訓(xùn)練

Lora 低秩適應(yīng)模型

Low-Rank Adaptation Models

作用：幫助你向ai傳遞、描述一個特征準(zhǔn)確、主題清晰的形象

例如，小豬佩奇

如果說em是輕薄便利的小書簽，lora就是一張加載里面的彩頁，他直接寫明了佩奇是什么，有什么特點，可以用什么方式去呈現(xiàn)

位置：根目錄/models/lora

觸發(fā)：<lora：名字>

某些lora也會提供觸發(fā)提示詞（Trigger Word），可以加上強化效果

降低lora權(quán)重，可以降低Lora對模型畫風(fēng)的影響。0.5-0.8之間都可以確切地保留特征但減弱對畫面風(fēng)格的影響

Hypernetwork超網(wǎng)絡(luò)

經(jīng)由他讓ai學(xué)習(xí)一些原本不存在他的世界里的東西，并且描述清楚一步到位

lora是傳單，hy就是小卡片

區(qū)別：hy一般用于改善生成圖像的整體風(fēng)格，“畫風(fēng)”。這個畫風(fēng)比checkpoint定義的畫風(fēng)更精細(xì)，不是二次元和真實系 的區(qū)別，類似梵高和莫奈這種的小區(qū)別

位置：根錄/models/hypernetwork

使用方法：設(shè)置-附加網(wǎng)絡(luò)-將超網(wǎng)絡(luò)（Hypernetwork）添加到提示詞