Stable Diffusion LoRA 训练入门

LoRA (Low-Rank Adaptation) 是微调 Stable Diffusion 模型最流行的方法之一。本文介绍 LoRA 训练的基本流程。

什么是 LoRA

LoRA 通过在模型的注意力层中插入低秩矩阵来实现微调，相比全量微调：

• 训练参数量减少约 1000 倍
• 显存需求大幅降低
• 训练速度更快
• 生成的模型文件很小（通常 10-200MB）

训练准备

数据集准备

1. 收集 15-30 张高质量图片
2. 统一裁剪为 512x512 或 768x768
3. 为每张图片编写标注文本

环境配置

推荐使用 kohya-ss 训练框架：

1
2
3

git clone https://github.com/kohya-ss/sd-scripts
cd sd-scripts
pip install -r requirements.txt

训练参数建议

常见问题

• 过拟合：减少训练步数或降低学习率
• 欠拟合：增加训练步数或提高学习率
• 颜色偏移：检查数据集的色彩一致性

LoRA 训练是一个需要反复调试的过程，多实验才能找到最佳参数！

大模型 API 中转服务搭建指南

随着大模型的普及，API 中转服务的需求日益增长。本文介绍如何搭建一个稳定、高效的大模型 API 中转服务。

为什么需要中转服务

1. 统一接口：将不同厂商的 API 统一为标准的 OpenAI 格式
2. 负载均衡：在多个 API Key 之间分配请求
3. 额度管理：精确控制每个用户的使用额度
4. 日志审计：记录所有请求用于分析和优化

技术选型

常见的开源方案：

• New API：功能完善，支持多种模型
• One API：轻量级，易于部署
• 自建方案：灵活度高，可定制性强

部署建议

基础架构

• 使用 MySQL/PostgreSQL 存储配置和日志
• 使用 Redis 做缓存和限流
• Nginx/OpenResty 做反向代理和 SSL 终端

安全注意事项

• 所有 API 通信使用 HTTPS
• 定期轮换 API Key
• 设置合理的速率限制
• 监控异常使用模式

选择合适的方案，根据实际需求进行部署和优化，即可拥有一个可靠的大模型 API 中转服务。

在 Proxmox VE 上部署 Docker 容器

Proxmox VE (PVE) 是一款优秀的开源虚拟化平台。本文介绍如何在 PVE 上高效部署和管理 Docker 容器。

方案选择

在 PVE 上运行 Docker 有两种主要方式：

1. 在 LXC 容器中运行 Docker：资源开销最小，适合轻量级应用
2. 在 VM 中运行 Docker：完全隔离，兼容性最好

LXC + Docker 部署步骤

1. 创建 LXC 容器

1
2
3
4
5
6
7
8

# 创建特权容器（Docker 需要）
pct create 100 local:vztmpl/debian-12-standard_12.2-1_amd64.tar.zst \
  --hostname docker-host \
  --memory 4096 \
  --cores 4 \
  --rootfs local-lvm:32 \
  --net0 name=eth0,bridge=vmbr0,ip=dhcp \
  --features nesting=1

2. 配置容器

在容器配置文件中添加：

1
2
3
4

lxc.apparmor.profile: unconfined
lxc.cgroup2.devices.allow: a
lxc.cap.drop:
lxc.mount.auto: "proc:rw sys:rw"

3. 安装 Docker

1

curl -fsSL https://get.docker.com | sh

性能对比

选择合适的方案取决于您的具体需求。对于大多数场景，LXC 方案已经足够。

欢迎来到玄喵小站

玄喵小站是一个专注于 AI 技术探索与开发实践的技术博客。作为一名拥抱 AI 时代的开发者，我在这里记录学习和实践过程中的心得体会。

内容方向

• AI 技术：大模型应用、Stable Diffusion、ComfyUI 等
• 开发实践：Python、Node.js、Linux 运维
• 技术教程：黑苹果、虚拟化、容器化等

欢迎关注，一起探索技术的无限可能！