分享下自己改进的一个lora训练脚本，在ubuntu下如果SD-WEBUI的环境已经搭好的话，只需要下载lora-script就可以支持训练了，直接命令行方式训练。

首先，我们需要克隆下项目：

git clone https://github.com/Akegarasu/lora-scripts

其次，更改项目里的train.sh脚本如下

#!/bin/bash
# LoRA train script by @Akegarasu# Train data path | 设置训练用模型、图片
#pretrained_model="/data/models/checkpoint/theAllysMixXSDXL_v10.safetensors" # base model path | 底模路径 #绘画风XL
pretrained_model="/data/models/checkpoint/hellopure_V30a.safetensors" # base model path | 底模路径 #绘画风
#pretrained_model="/data/models/checkpoint/orangechillmix_v70Fixed.safetensors" # base model path | 底模路径 #真实风is_v2_model=0                             # SD2.0 model | SD2.0模型 2.0模型下 clip_skip 默认无效
parameterization=0                        # parameterization | 参数化 本参数需要和 V2 参数同步使用 实验性功能
train_data_dir="/data/models/Train/image/"              # train dataset path | 训练数据集路径
reg_data_dir=""                           # directory for regularization images | 正则化数据集路径，默认不使用正则化图像。# Network settings | 网络设置
network_module="networks.lora" # 在这里将会设置训练的网络种类，默认为 networks.lora 也就是 LoRA 训练。如果你想训练 LyCORIS（LoCon、LoHa） 等，则修改这个值为 lycoris.kohya
network_weights=""             # pretrained weights for LoRA network | 若需要从已有的 LoRA 模型上继续训练，请填写 LoRA 模型路径。
network_dim=128                 # network dim | 常用 4~128，不是越大越好
network_alpha=128               # network alpha | 常用与 network_dim 相同的值或者采用较小的值，如 network_dim的一半 防止下溢。默认值为 1，使用较小的 alpha 需要提升学习率。
#network_dim要和network_alpha一致，network_dim默认32，角色可以到96。画风可以到128，影响最终输出的模型文件尺寸# Train related params | 训练相关参数
resolution="768,768"  # image resolution w,h. 图片分辨率，宽,高。支持非正方形，但必须是 64 倍数。
batch_size=4          # batch size
max_train_epoches=8  # max train epoches | 最大训练 epoch,5~10，一般为6
save_every_n_epochs=2 # save every n epochs | 每 N 个 epoch 保存一次#train_unet_only=1            # train U-Net only | 仅训练 U-Net，开启这个会牺牲效果大幅减少显存使用。6G显存可以开启,训SDXL可以考虑开启
train_unet_only=0            # train U-Net only | 仅训练 U-Net，开启这个会牺牲效果大幅减少显存使用。6G显存可以开启
train_text_encoder_only=0    # train Text Encoder only | 仅训练 文本编码器
stop_text_encoder_training=0 # stop text encoder training | 在第N步时停止训练文本编码器noise_offset="0" # noise offset | 在训练中添加噪声偏移来改良生成非常暗或者非常亮的图像，如果启用，推荐参数为0.1
keep_tokens=0    # keep heading N tokens when shuffling caption tokens | 在随机打乱 tokens 时，保留前 N 个不变。
min_snr_gamma=0  # minimum signal-to-noise ratio (SNR) value for gamma-ray | 伽马射线事件的最小信噪比（SNR）值  默认为 0# Learning rate | 学习率
lr="1e-4" # learning rate | 学习率，在分别设置下方 U-Net 和 文本编码器 的学习率时，该参数失效
unet_lr="1e-4" # U-Net learning rate | U-Net 学习率
text_encoder_lr="1e-5" # Text Encoder learning rate | 文本编码器 学习率
lr_scheduler="cosine_with_restarts" # "linear", "cosine", "cosine_with_restarts", "polynomial", "constant", "constant_with_warmup", "adafactor"
lr_warmup_steps=0                   # warmup steps | 学习率预热步数，lr_scheduler 为 constant 或 adafactor 时该值需要设为0。
lr_restart_cycles=1                 # cosine_with_restarts restart cycles | 余弦退火重启次数，仅在 lr_scheduler 为 cosine_with_restarts 时起效。# 优化器设置
optimizer_type="AdamW8bit" # Optimizer type | 优化器类型 默认为 AdamW8bit，可选：AdamW AdamW8bit Lion Lion8bit SGDNesterov SGDNesterov8bit DAdaptation AdaFactor prodigy# Output settings | 输出设置
output_name="tblife-dzpg3"           # output model name | 模型保存名称
save_model_as="safetensors" # model save ext | 模型保存格式 ckpt, pt, safetensors# Resume training state | 恢复训练设置
save_state=0 # save state | 保存训练状态 名称类似于 <output_name>-??????-state ?????? 表示 epoch 数
resume=""    # resume from state | 从某个状态文件夹中恢复训练 需配合上方参数同时使用 由于规范文件限制 epoch 数和全局步数不会保存 即使恢复时它们也从 1 开始 与 network_weights 的具体实现操作并不一致# 其他设置
min_bucket_reso=256              # arb min resolution | arb 最小分辨率
max_bucket_reso=1024             # arb max resolution | arb 最大分辨率
persistent_data_loader_workers=1 # persistent dataloader workers | 保留加载训练集的worker，减少每个 epoch 之间的停顿
clip_skip=2                      # clip skip | 玄学 一般用 2
multi_gpu=0                      # multi gpu | 多显卡训练 该参数仅限在显卡数 >= 2 使用
lowram=0                         # lowram mode | 低内存模式 该模式下会将 U-net 文本编码器 VAE 转移到 GPU 显存中 启用该模式可能会对显存有一定影响# LyCORIS 训练设置
algo="lora"  # LyCORIS network algo | LyCORIS 网络算法 可选 lora、loha、lokr、ia3、dylora。lora即为locon
conv_dim=4   # conv dim | 类似于 network_dim，推荐为 4
conv_alpha=4 # conv alpha | 类似于 network_alpha，可以采用与 conv_dim 一致或者更小的值
dropout="0"  # dropout | dropout 概率, 0 为不使用 dropout, 越大则 dropout 越多，推荐 0~0.5， LoHa/LoKr/(IA)^3暂时不支持# 远程记录设置
use_wandb=0         # use_wandb | 启用wandb远程记录功能
wandb_api_key=""    # wandb_api_key | API,通过 https://wandb.ai/authorize 获取
log_tracker_name="" # log_tracker_name | wandb项目名称,留空则为"network_train"# 根据参数决定输出的文件和训练参数
# 参数1为output_name 参数2不输则训练1.5的模型，输入"xl"则训练xl的模型，输入错误也还是训练1.5模型if [ -n "$1" ]; then  output_name="$1" pretrained_model="/data/models/checkpoint/hellopure_V30a.safetensors" # 25D模型resolution="768,1024"train_unet_only=0batch_size=3xl_flag=0
fiif [ "$2" = "xl" ]; thenpretrained_model="/data/models/checkpoint/theAllysMixXSDXL_v10.safetensors" #25DXL模型resolution="768,896" #使用768,1024都会爆显存，催悲train_unet_only=1batch_size=1xl_flag=1
fiecho "extend by @Jim[231203]"
echo "==========将以以下参数训练模型=========="  
echo "输出文件：$output_name"
echo "底模模型：$pretrained_model"
echo "分辨率：$resolution"
echo "批量大小：$batch_size"
echo "训练深度：$network_dim"
echo "总epoch：$max_train_epoches"
echo "仅训练UNET：$train_unet_only"
echo "========================================"# ============= DO NOT MODIFY CONTENTS BELOW | 请勿修改下方内容 =====================
export HF_HOME="huggingface"
export TF_CPP_MIN_LOG_LEVEL=3extArgs=()
launchArgs=()
if [[ $multi_gpu == 1 ]]; then launchArgs+=("--multi_gpu"); fiif [[ $is_v2_model == 1 ]]; thenextArgs+=("--v2")
elseextArgs+=("--clip_skip $clip_skip")
fiif [[ $parameterization == 1 ]]; then extArgs+=("--v_parameterization"); fiif [[ $train_unet_only == 1 ]]; then extArgs+=("--network_train_unet_only"); fiif [[ $train_text_encoder_only == 1 ]]; then extArgs+=("--network_train_text_encoder_only"); fiif [[ $network_weights ]]; then extArgs+=("--network_weights $network_weights"); fiif [[ $reg_data_dir ]]; then extArgs+=("--reg_data_dir $reg_data_dir"); fiif [[ $optimizer_type ]]; then extArgs+=("--optimizer_type $optimizer_type"); fiif [[ $optimizer_type == "DAdaptation" ]]; then extArgs+=("--optimizer_args decouple=True"); fiif [[ $save_state == 1 ]]; then extArgs+=("--save_state"); fiif [[ $resume ]]; then extArgs+=("--resume $resume"); fiif [[ $persistent_data_loader_workers == 1 ]]; then extArgs+=("--persistent_data_loader_workers"); fiif [[ $network_module == "lycoris.kohya" ]]; thenextArgs+=("--network_args conv_dim=$conv_dim conv_alpha=$conv_alpha algo=$algo dropout=$dropout")
fiif [[ $stop_text_encoder_training -ne 0 ]]; then extArgs+=("--stop_text_encoder_training $stop_text_encoder_training"); fiif [[ $noise_offset != "0" ]]; then extArgs+=("--noise_offset $noise_offset"); fiif [[ $min_snr_gamma -ne 0 ]]; then extArgs+=("--min_snr_gamma $min_snr_gamma"); fiif [[ $use_wandb == 1 ]]; thenextArgs+=("--log_with=all")
elseextArgs+=("--log_with=tensorboard")
fiif [[ $wandb_api_key ]]; then extArgs+=("--wandb_api_key $wandb_api_key"); fiif [[ $log_tracker_name ]]; then extArgs+=("--log_tracker_name $log_tracker_name"); fiif [[ $lowram ]]; then extArgs+=("--lowram"); fi#SDXL参数：1.train_unet_only必须打开（显存使用超过16G），（2.使用脚本sdxl_train_network.py），（3.使用参数--no_half_vae）
#python -m accelerate.commands.launch ${launchArgs[@]} --num_cpu_threads_per_process=8 "./sd-scripts/sdxl_train_network.py" \if [[ $xl_flag == "1" ]]; thenextArgs+=("--no_half_vae")script_file="sdxl_train_network.py"
elsescript_file="train_network.py"
fipython -m accelerate.commands.launch ${launchArgs[@]} --num_cpu_threads_per_process=8 "./sd-scripts/$script_file" \--enable_bucket \--pretrained_model_name_or_path=$pretrained_model \--train_data_dir=$train_data_dir \--output_dir="./output" \--logging_dir="./logs" \--log_prefix=$output_name \--resolution=$resolution \--network_module=$network_module \--max_train_epochs=$max_train_epoches \--learning_rate=$lr \--unet_lr=$unet_lr \--text_encoder_lr=$text_encoder_lr \--lr_scheduler=$lr_scheduler \--lr_warmup_steps=$lr_warmup_steps \--lr_scheduler_num_cycles=$lr_restart_cycles \--network_dim=$network_dim \--network_alpha=$network_alpha \--output_name=$output_name \--train_batch_size=$batch_size \--save_every_n_epochs=$save_every_n_epochs \--mixed_precision="fp16" \--save_precision="fp16" \--seed="1337" \--cache_latents \--prior_loss_weight=1 \--max_token_length=225 \--caption_extension=".txt" \--save_model_as=$save_model_as \--min_bucket_reso=$min_bucket_reso \--max_bucket_reso=$max_bucket_reso \--keep_tokens=$keep_tokens \--xformers --shuffle_caption ${extArgs[@]} 

根据自己机器的显存适当调整下参数，例如我的16G显存的3070，就只能训练768x896的，然后根据1.5和SDXL的底模分开，这样就可以训练两个不同系列的大模型下的LORA了。区分起来很简单，命令行如下：

训练1.5的
nohup trainlora mylora &

训练SDXL的
nohup trainlora mylora xl &

对应的mylora.sh如下：

#!/bin/bash
input_params=$@
cd /root/sd-webui-aki-v4.4
source venv/bin/activate
cd /root/lora-scripts/
./train.sh $input_params

用起来相当方便，在开始训练时，还可以打印相关的训练参数，以免弄错（错了就是至少半个小时啊。。。）

注意：

1）里面的pretrained_model路径对应大模型底模，根据自己的需要修改

2）训练的素材，是放到/data/models/Train/下的，所有的大模型数据等被我单独挂载到一个独立分区了，image_bak是备份历史训练数据

3）训练完成后，lora文件会输出到lora-scripts/output/里

4）你可以用tail -f命令查看nohup.out了解训练进度