本日找到了一个Hypernetworks的模型，专学天生各种袜 ，便是这个了。
先大略先容下SD 的 Hypernetwork（超网络），中文名也叫超网络，最初由 StableDiffusion 早期利用者 novelai 开拓。它是一个附加到 StableDiffusion 模型的小型神经网络，用于修正模型的风格。
其紧张特点和事情事理如下：
事情事理：前面提到 SD 模型中最关键的部分是噪声预测器 UNet，而 UNet 里面的关键部分是交叉把稳力模块。Hypernetwork 便是修正了这部分内容，它通过插入两个子网络来转换 key 和 query 向量，进而接管了交叉把稳力模块。原始的交叉把稳力模块直策应用输入的 key 和 query 向量来打算把稳力权重，但在 Hypernetwork 参与后，这些向量会先经由 Hypernetwork 中的两个子网络进行变换，然后再用于把稳力机制的打算。这种变换使得模型能够以一种更加动态的办法调度其把稳力机制，可能增强模型对输入数据的敏感度温柔应能力。与其他模型的差异：与 checkpoint 模型：checkpoint 模型包含天生图像的所有必要信息，体积从 2GB 到 7GB 不等，而 Hypernetwork 常日低于 200MB。Hypernetwork 不能单独利用，须要与 checkpoint 模型合营来天生图像。 checkpoint 模型更强大，可以比 Hypernetwork 更好地存储样式。演习 checkpoint 模型时是对全体模型进行微调，而演习 Hypernetwork 时仅对其自身进行微调。与 Lora 模型：Hypernetwork 与 Lora 模型很相似，文件大小常日都低于 200MB，且都只修正了交叉把稳力模块。但它们修正的办法不同，Lora 模型通过改变其权重来修正交叉把稳力，而 Hypernetwork 是通过插入其他网络来实现。常日来说 Lora 模型会产生更好的结果。此外，Lora 是一种数据存储技能，不直接规定演习流程，而超网络规定了演习流程，它通过天生另一个网络的权重来定义演习过程，为演习中的网络供应动态的权重，从而许可在演习过程中进行更灵巧的学习和调度。与 Embedding： Embedding 是一种称为“文本反转”的微调方法，它只是定义新的关键字来实现某些样式。与 Hypernetwork 一样，Embedding 不会改变模型的架构。Embedding 在文本编码器中创建新的嵌入，而 Hypernetwork 将一个小型网络插入噪声预测器的交叉把稳力模块中。下载安装方法（以 C 站为例）：
利用方法：Hypernetwork 的利用办法与 Embedding 类似，差异是 Hypernetwork 用在正向提示词中。例如，若要利用名为“waterelemental_10”的 Hypernetwork 模型，可以在正向提示词中输入<hypernet:waterelemental_10:multiplier>，个中“multiplier”是运用于该模型的权重，默认值为 1，设置为 0 将禁用该模型。然后设置其他干系参数，如采样算法、迭代步数、CFG scale 等，再点击天生按钮即可。
Hypernetwork 虽然是一种模型微调技能，但目前利用人数相对较少，其利用效果每每不如体积更小的 Embedding 文件，且能实现的效果也大多可以用其他替代办法实现，比如 Embedding 或 Lora 等。不过对付一些特定需求或想要考试测验不同微调办法的用户，理解和利用 Hypernetwork 仍旧具有一定的代价。
Coloured Pantyhose利用步骤和lora利用类似，但我喜好看中文，以是下载后，我改了文件名。
第一步、下载从C站高下载，须要邪术
第二步、安装下载后放入到。sd-webui-aki\sd-webui-aki-v4.1\models\hypernetworks的 目录
然后刷新
第三步、利用
点击图片就可以，
确认在正向提示词已经利用了。
作品展示