ComfyUI基础节点LoRA
2. ComfyUI基础节点
本文主要介绍LoRA模型及ComfyUI中LoRA的连接方式。
2.1. LoRA
LoRA是一种低成本微调大模型的方法，可以通过训练LoRA模型增强对应版本大模型的生成能力。比如训练一种画风LoRA，可以让大模型生成对应风格的图片。
2.1.1.LoRA原理
LoRA（Low-Rank Adaptation）本质上是对特征矩阵进行低秩分解的一种近似数值分解技术，可以大幅降低特征矩阵的参数量，但是会伴随着一定的有损压缩。在AI绘画领域，可以使用SD模型+LoRA模型的组合微调训练方式，只训练参数量很小的LoRA模型，就能在一些细分任务中取得不错的效果。训练过程中，LoRA微调技术虽然整体计算量与微调SD模型相比没有变化甚至更多，但参数量、显存占用、训练数据量和训练时长都较小。推理时，参数量、显存占用、推理耗时相对于SD模型，也没有改变。
LoRA模型的训练逻辑是首先冻结SD模型的权重，然后在SD模型的U-Net结构中注入LoRA权重，主要作用于Cross Attention部分，并只对这部分的参数进行微调训练。尽管SD模型的参数量很大，但每个细分任务对应的本征维度（Intrinsic Dimension）并不大，所以我们设置较小的秩就能获得一个参数量远小于SD模型的LoRA模型，并在一些细分任务中获得较好的效果。
使用LoRA时，可以调节LoRA权重；也可以使用多个LoRA模型同时作用于一个SD模型，并配置他们的各自权重。
2.1.2.LCM-LoRA
潜在一致性模型Latent Consistency Models（LCM）采用一致性蒸馏Latent Consistency Distillation（LCD）的方法，相比原始的DPM++30步扩散过程可加速10倍以上。
LCM蒸馏的过程是在已有的预训练模型上进行的，可以将蒸馏看做是预训练模型的微调，因此可以使用LoRA来表示。将加速功能独立成为一个LoRA后，不仅在训练时使用更少的资源，而且得到的LCM-LoRA具有很强的泛化能力，可以和风格LoRA线性叠加。此外，在前向推理时，可将训练好的LCM-LoRA模型用于任何一个微调后的SD模型，无需再对SD模型重新进行训练。所以LCM-LoRA在ComfyUI中的使用方法与LoRA一致，注意采样方式改成lcm，适当减少采样步数即可。
2.1.3.ComfyUI示例
在ComfyUI中，使用Load LoRA节点加载LoRA，需要放在大模型与提示词中间，将model和clip对应节点连上。如果需要加载多个LoRA模型，复制对应数量的Load LoRA然后串联起来即可，两边的model和clip分别接入。
节点中主要参数有strength_model和strength_clip；strength_model修改大模型的扩散强度；strength_clip修改CLIP模型的强度。通常会修改strength_model在0.6~0.8之间，不同的LoRA模型以及应用场景适用的权重值不同。此外，有的LoRA还需要在提示词中填写对应的触发词进行激活。LoRA模型的作者通常会给出推荐的权重、触发词等信息。如图是5-1 SD1.5文生图LoRA工作流。
以国风山水风格LoRA为例，可以看到随着strength_model权重增大(横轴)，LoRA的作用越明显，而strength_clip的作用并不明显（纵轴）。
