20260601 DeepFaceLab_MVEfork_合体版

wtxx8888

星级打分

• 1
• 2
• 3
• 4
• 5

平均分:5  参与人数:1  我的评分:未评

2026-0601 更新

CUDA版 改为Torch框架
**启用CUDNN优化 显存减少1/5
**人脸模型 百分百兼容
**XSEG模型 需要重新训练（与TF架构，有6个随机层的差异，所以无法直接使用）
**支持 16/20/30/40/50系N卡（需安装N卡 支持CUDA12.8的 驱动）
**10系需手动 降级依赖为CUDA11.8（z09-Tools目录 执行命令 自动更换）

DML版 升级解释器到pythonw3.10
**XSEG 由于新的层算法 旧遮罩只有256 可以兼容
**GAN参数 恢复了 平滑与噪点的算法
**由于对共享显存的分配特性 初开GAN很容易炸（也可能很顺 初开就成功正常运行）
****当GAN 连续报NAN（有时崩溃 报层错误) 关闭训练并重试（可能要多次尝试 直到正常）

Torch版 支持真*多显卡并行
**训练默认命令是 DP‌：‌数据并行‌（Data Parallel） 支持单机多显卡
**DDP前缀训练命令是 DDP‌：‌分布式数据并行‌（Distributed Data Parallel） 支持多机多显卡的 单机版

DML版 支持真*多显卡并行
**训练默认命令是 DP‌：‌数据并行‌（Data Parallel） 支持单机多显卡

新的脸图格式 PNG （Torch，DML）
**无缝支持 与JPG混用

PNG脸图配套的 GUI角度筛选器 （Torch，DML）
**支持中文名
**支持JPG，PNG混用
**筛选器预览图 显示特征点
**支持选定图片，复制到 指定目录内（主视窗是全局 可跨格子多选，格子内 是限定本格）
**支持删除选定的图片 （主视窗是全局 可跨格子多选，格子内 是限定本格）
**命令位置 z09-Tools

PNG脸图配套的 XSEG编辑器 （Torch，DML）
**支持JPG，PNG混用
**XSEG编辑器 支持编辑特征点
****点击编辑特征点，再次点击 切回遮罩编辑
****调整点位时 只显示所属组 放开鼠标 显示全部
****鼠标指针中心 滚轮放大缩小
****放大缩小倍数 1X--8X
**XSEG编辑器 支持写入遮罩 转可编辑点(自愿捐赠 开启功能)

指定人脸 提取视频帧(切脸) （Torch，DML）
**使用 insightface 人脸模型套装 antelopev2（非insightface.app集成库）
**支持无限长度的 视频 （指定帧数 智能分段）
**支持限定 最小区域过滤（排除远景的 低解析度 人脸）
**可选FULL（帧图） 或直接FACE（切脸）
****直接切脸 支持配套参数（脸型 解析度 脸图格式）
****切脸 全模型使用 insightface的5点对齐（原版为 仿射变换 算法对齐）
****图片存储质量为 JPG-100 PNG-3
**指定 包含1人脸的视频帧（脸图太小 无法识别特征）
**耗时大概跟 视频播放的时间 差不多（16系）
**内存操作 支持多线程（内存需求标准 在命令内注释 自行类推更改）
**命令位置 z09-Tools
**示例目录 workspace\input\
**命令内 有参数的说明
**自愿捐赠 开启功能

指定人脸 帧图切脸（上面视频的变种） （Torch，DML）
**与原版切脸的区别  原版用 仿射变换 算法对齐，此版全模型用 insightface的5点对齐
**命令位置 z09-Tools
**命令内 有参数的说明
**自愿捐赠 开启功能

支持导出 2G以上的DFM(ONNX 多文件结构)（Torch，DML）
**引导文件加 多文件权重（类似分卷压缩 使用时 需要全部文件在一起）
**支持 LIVE直接调用
**XSEG模型 支持输出ROPE顺序

人脸模型 支持混合精度 （Torch）
**支持 20/30/40/50 及同级的专业N卡
**显存减少2/5 提速1/3
**自愿捐赠 开启功能

人脸模型 支持梯度检查点 （Torch）
**减速1/5 显存减少2/5
**自愿捐赠 开启功能

新的 人脸检测模型 SCRFD （Torch，DML）
**自愿捐赠 开启功能

新的 人脸标点模型 1k3d68(3D 68点) （Torch，DML）
**自愿捐赠 开启功能
新的 人脸标点模型 2d106det（2D 106点转68点）（Torch，DML）
**自愿捐赠 开启功能

帧图切脸 支持单显卡多线程 （Torch，DML）
**DML在12线程下，16系6G 切脸512，速度55 it/s（SCRFD + 2d106det）
**Torch在10线程下。16系6G 切脸512，速度53 it/s（SCRFD + 2d106det）
**线程最大值 是根据显卡的显存 设定，32G 最少也能开到32线
**自愿捐赠 开启功能

手动切脸 支持先自动标点 （Torch，DML）
**自愿捐赠 开启功能

手动切脸 支持选定后（自动标点后） 调整特征点 （Torch，DML）
**调整点位时 只显示所属组，放开鼠标 显示全部
**鼠标指针中心 滚轮放大缩小
**放大缩小倍数 1X--8X

人脸模型 支持更改解析度 （Torch，DML）
**废弃模型Q96的 进阶玩法
**权重双线性 重映射 保留Int权重（实验性 自行尝试，并不是 所有模型都好使）
**不好使的（炸了五颜六色 就是不好使），请选 重建Int

人脸模型 添加样本比例参数（Torch，DML）
**原版默认 0.15

人脸模型 添加指定 备份次数（Torch，DML）
**不写入options字典

人脸模型 添加自动变换学习率（Torch，DML）
**起步1e-05 高点5e-05 波浪式循环

人脸模型 添加GAN预热参数（Torch，DML）
**不写入options字典

人脸模型 大角度优化参数 优化排序速度（Torch，DML）
**瞬间完成

人脸模型 支持更改脸型 （Torch，DML）

人脸模型 支持对老旧模型 添加U参数 （Torch，DML）

人脸模型，XSEG模型 优化了 高LOSS重复训练的 算法 （Torch，DML）
**重复训练时 添加了 显示当前学习率

人脸模型，XSEG模型 开放解析度上限至 1024 （Torch，DML）

XSEG模型 增加更改脸型（Torch，DML）
**有没有奇效 不知道，复制粘贴的事，顺手加上

新的轻量级 XSEG模型 （Torch，DML）
**提升CPU负载1/5 显存减少1/2 训练提速1.2倍 写入提速1/3 推理提速1/3
**新建XSEG模型的 一次性参数
**自愿捐赠 开启功能

XSEG模型 支持混合精度 （Torch）
**支持 20/30/40/50 及同级的专业N卡
**显存减少2/5 提速1/3
**自愿捐赠 开启功能

遮罩模型 支持梯度检查点 （Torch）
**减速1/5 显存减少2/5
**自愿捐赠 开启功能

写入遮罩 可同步生成 黑白遮罩图 （Torch，DML）
**取消了 合成视频时的 黑白图输出

导出视频增加 H265 VP9 AV1 （Torch，DML）
**FFMPEG版本为 2026-05-13
**命令位置 z07-To video

百度链接:https://pan.baidu.com/s/1OehkX87p5bC38xbEadqzCA?pwd=8856
提取码:8856

解压：DFL-MVE_合体增强版


紧急修正Torch版本，T参数模型，推理层转换不全的问题。已经下载的，解压下面的补丁，覆盖即可。
没下载过的，正常下载就行 不需要此补丁，压缩包 更新修正了  此问题。
1.
DeepFaceLab.rar (112.02 KB, 下载次数: 63)

2026-6-2 05:35 上传

点击文件名下载附件

DML版本，是影响的DFM导出，已经下载的，下载补丁。
DeepFaceLab.zip (170.77 KB, 下载次数: 24)

2026-6-2 06:33 上传

点击文件名下载附件

2.
Torch版本，开启备份报错修正。
备份参数报错DeepFaceLab.rar (241.81 KB, 下载次数: 26)

2026-6-6 00:24 上传

点击文件名下载附件

3.
修正补丁，颜色模式选择RCT的  报错问题。
Torch版本： RCT-DeepFaceLab.rar (132.71 KB, 下载次数: 29)

2026-6-13 11:38 上传

点击文件名下载附件

DML版本： RCT-DeepFaceLab.zip (150.8 KB, 下载次数: 9)

2026-6-13 11:38 上传

点击文件名下载附件

以上补丁，是已经下载的，才需要覆盖，第一次下载的不需要，压缩包 已经是修正过了。

come3002

10.29  新手如何训练模型
先易后难，循序渐进。多备份。多思考。
不贪多不贪高。先从小入手，多反复，少一口气炼制的挂机。多反复推演，经验积少成多。


1.先看教程。


DFL教程。准备遮罩。准备src。准备dst（推荐从 樱花电源切取），准备 一个model。



wx888大佬的 6.01.  大约能节约 67% 显存（原版旧版14.6G显存；新版 Torch 显存需要4.5G 。显存大约不到之前的 1/3。）。目前显卡这么贵，5060 8G显卡笔记本都是 上万起步。经济上，能降低显存 节约了大量开支。
时间上。4g，6g 8g显存电脑，只能旧版原版 开很小的bs。Torch 6.01  电脑不变，开 极高的bs。压缩了训练所需时间，这才是最大的节约。
下图为例，原版旧版 本来要 13.8g显存 开bs1，12g显存直接报错.  这个Torch 6.01版本 仅仅13G显存能开到 bs144.
144-1=143，能多开 这么多bs。理论上 极大提高了炼制的 收敛效率，压缩了训练所需时间。
假设 原来旧版原版炼制一个model 256分辨率需要 60天，现在需要短短时间就练好。节约的就是赚。

.







2.先能1v1跑。 跑DF（先不选liae）256 自闭2.0 等 小分辨率也就是  256dfud放入 src，放入1个樱花的dst。
开随机扭曲多跑一会，到loss下降不动 备份 model 随机扭曲X；就关随机扭曲 小 跑一点就合成就行。关随机跑的迭代 少一点。会保留相似度（随机扭曲：关闭随机扭曲 比例选择 看下文）。

等有训练经验再跑  1v多樱花；再之后一个坛主的 224liae512.  


注：新手不要太高分辨率。
256分辨率 是公认的、 性价比 比较均衡的分辨率。其他AE等差不多下，能炼制快，细节较好。做好备份，还容易发现问题 ）。

3. 先能合成作品并二次剪辑。 炼制差不多。备份随机扭曲model。樱花载体（1樱花换脸）。剪辑樱花影片放弃 较大角度，先合成 正脸和小角度，
拿到model，更换 1src （基础） vs  1dst （正脸 小角度）随机扭曲 足够迭代，loss下降不动为止备份model； 关闭随机 跑一小回。随机扭曲：关闭随机 迭代比值 越高越好，并保存。
然后 ，就能合成正脸和小角度樱花作品 比如10分钟 导入剪映，把不合适的镜头比如 3分-3分10秒不合适移除，剩下的拼接一起。可以得到起步的樱花换脸作品。


注：错误也是进步的开端。
任何人的src都不是 一开始就是完美的。都是基础包。一点点强大起来的。
如何src 变强。通过实战。就比如刚才 1src vs 1 樱花  正脸 和小角度。那些换脸 不好的dst镜头就是完美的工具。
步骤：
1.原始dst 和换脸作品 同时导入剪映，拖动进度条到 合成作品表现不好的时间。比如 3分-3分10秒。
按此时间 原始的dst 3分-3分10秒也导入一个 10秒视频出来，命名  提升dst包。
这个10秒dst 原来是src 换脸不好的 镜头，此时就变成提升的基石。
要做的是就是 分析这dst明明已经是 正脸和小角度了。是什么原因导致合成效果不好。它究竟有什么特殊性。
2.分析可能性并补充src：
1. dst的光影复杂 颜色复杂。。   src 该角度附近图片光影单一 颜色单一解决办法 ，看备选2  补充 src 对应的光影。
2.dst的表情复杂 眼神复杂 。。   src 该角度附近图片表情单一 眼神单一解决办法 看  备选2  补充 src对应的表情 眼神。


3.补充好了src 再  训练。
此时 src（基础+补充光影 表情眼神） vs  1dst 刚刚第一次合成表现不佳的 正脸 小角度。
同样的随机扭曲若干，后关闭随机一会。
合成看这10秒是否改进。如果改进 。 说明思路方法有效。src基础+补充光影 和表情目前是可用的。
有了一个进步，就有机会第二次进步。慢慢 src 就会 在实战中成长。src变得更强大（src正脸 和小角度为起步成长，先增加光影颜色和表情）

【备选】

备选1 增强泛化.进一步优化迭代配比，增强泛化能力。
举例，利用备份的随机扭曲 model。适当开 随机扭曲 等更久一点， 增强相似度，炼制相似度更高的分支。
极高相似度是樱花换脸的基础。这个就不上图了。练多自然明白 ，相似度越高越高。宁可角度少点，细节弱点。也要像！

  仅以随机扭曲为例，随机扭曲迭代：关随机扭曲 迭代比下降下，相似度是 依次下降的。
A 全程随机扭曲 或 接近 全程随机扭曲，极高相似度   
B  3：1. 很高相似度   
C 1：1.   比较像src   
D 1：5，有一点像src  
（以上是估算，仅供参考。


df类随机扭曲占比高越像，但是训练难度会增加；随机扭曲关闭占比越高越向dst偏移，但是难度会低）；。）

其他泛化，以此类推（备份的随机扭曲 model，基础上，再适当各种随机）。
注，切记新手不可 同时开 随机扭曲+4大随机。假设 随机扭曲 出 牙齿、睫毛等细节是 关闭随机扭曲出牙齿难度的若干倍；推算 随机扭曲+4大随机 ，就是难度buff直接拉满，换算为 若干倍x若干倍x若干倍x若干倍x若干倍。慢的要死。
我测试过。 如下图，对应训练的 3、4、5列。本来 关闭随机下，本来一定量迭代容易出细节。现在 开那么多。叠加一起就是无数倍难度。
这样的第二行的第三列3（第一列也是 这样的情况）（箭头所指，加上扭曲脸型，如果不是认真看，都快看不出人脸了）。第五列 练出的 人脸，得多难？
第三行，第三列 微弱的黑色痕迹，第五列出 部分黑长睫毛 细节。难度也不低






备选2 增强角度表情。等有经验，再增加 src的角度范围、一些特殊表情。利用 wan2.2  生成角度、 minimaxh3 等完成 生成缺乏的表情，解决樱花换脸后的表情呆滞。





备选3. 打磨细节
3.进一步优化，反复打磨、再增加细节分支（细节顺序 上牙齿 下牙齿 睫毛 嘴唇纹理）、针对于 少量 樱花 的近景的场景。
把樱花影片分开算。bed 尤其高速激战可能占90%（这些镜头主要要相似度、 几乎不需要 太高细节）。大多数玩家用这 樱花的 90% 常用的 bed类够用就行了。

剩下的10%镜头 ，一些近景 占比低。也可以选 大模型去做 。也可考虑选dfl 做。
（如一些 吃冰棍 可用 h3等代替，h3等大模型 有网络很多的 影片成品 这里不展开讨论）.



注：新手 切记 不要上来上来就 做 备选3， 近景细节的炼制难度极高。

为进一步优化3， 近景 提升一点细节，我这个月 反复炼制了 四次。
第二次 从零新建 ，炼制到 上睫毛 清晰，细节清晰。思路没问题。



第四次实验，Torch 版本 。




局部放大。






8.15 256dfud,50w 修改 liae-ud的 实验初探。
dfl的模型 原版常用分两大类。 DF，和liae。
传统印象，DF/liae 在 建立模型，类别 分辨率和四维一旦确定。无法改变。要么一口气连到底，要么半路放弃，重新炼制新的丹。

6月到现在，前期对修改 模型分辨率做了预实验。对修改四维的也做了尝试，发现能支持修改。并在修改后发现有信息继承的作用，大大拓宽了model的灵活运用。但是 DF→liae 的界限却 尚未涉及。
本着实验性的原则，对256dfud384 96 96 28 model 参数中的 DF 进行修改为256 liae-ud。384 96 96 28，仅就修改 liae后进行实验看修改后能否快速 炼制细节。从而尝试修改 DF →liae类别上有所突破。
借着新版Torch大大节约显存的东风，来 对DFl类别修改、DF 修改liae ，分辨率修改+ 提升 四维，摸索更全面更可行的练丹道理。
尽最大可能的挽回一些 类别 分辨率 等 设置上 失误 的model，降低从零重建的损耗失误成本，减少 时间和算力损失，提高创建效率。


修改前 model 50w迭代。训练 用的 图片素材 13000张。

准备两个组，一个新建的256liae-ud对照组，一个修改liae-du的实验组。
采用原训练的 设置bs16 ，依然保持 13000张 图片素材。相同条件训练。

预期与假设
假设1：实验组，model 报错，dfl不支持 DF修改liae 。
假设2：实验组，model 通过。说明 dfl支持DF修改liae。
A
实验组 跟对照组一致，速度非常慢，说明实验失败。说明 实验中 的dfud 50w model 修改 liae 引起 model 信息的清空。已经跑了50w 修改 liae-ud无意义。
B：
实验组 跟对照组相比，更慢，速度出奇的慢，说明实验失败。说明 实验中 的dfud 50w model 修改 liae 引起 model 信息的污染。已经跑了50w 修改 liae-ud无意义。
C
实验组 快于对照组。说明 实验组速度非常快，是继承了50w model的 残存的信息。速度差别越大，已经跑了dfud 50w 修改liae的意义越大。
对照组 900迭代。人脸和环境有较清晰的界线。眉毛没有出现


对照组 1800迭代，依然没有眉毛出现。


对照组2400迭代，开始有眉毛信息



对照组 3000迭代，有眉毛。但是 嘴巴 无牙齿白班。



实验组900迭代。无报错，切换到遮罩看。人脸和周围环境有清晰的界线
可看到部分图片有较好的眉毛信息。



实验发现。1800迭代，未报错。切换到遮罩看，人脸和周围环境有清晰的界线。

2000迭代，未报错。发现 已经 有上下 牙齿 白班出现。


3000迭代，大角度俯角 已经开始出现人脸。


12000迭代，没有报错，并炼制出更多细节。


找一个备份10000 迭代 256liae（256dfud修改而来）合成一次。没报错，能合成。
WETJ都是0.


4w迭代，没有报错。炼制更多细节。
第一行 发现 ，部分图片额头皱纹、大嘴巴 上磨牙 炼制出来了。
眼睛 练出 两个亮光点。

6w迭代。下牙齿部分出现。



开启随机扭曲

开随机扭曲。src-src src 充当dst对联， 观察炼制部分下牙齿等炼制速度。
炼制越快意义越大。

68000，开始，很快发现部分图片出下牙齿。部分图片出丰富的光影。
大约跑5000迭代累计72955暂停。




72955-转关闭随机 对联，src-src 充当dst。
大约跑500迭代，简称 73500 关随机对联。
部分图片 出现 下牙齿、光影 等细节。



随机扭曲 ：关闭随机  ，呈现高随机占比，以锁定 更高的相似度适当增加契合度。


256dfud 第一次 随机扭曲 对联 vs liae 后第一次 随机扭曲对联 比较。
查看训练记录。预训练44w丹，正训 256 srcA第一次随机扭曲 大约2w 出下牙齿；liae 第一次随机扭曲 仅仅几千就 出下牙齿。
最初有一种设想。就是dfud→liae 。如果仅仅获得的 信息相当于 是提供了liae的 预训练 pretain true。就相当于正常liae丹的第一随机扭曲速度慢的特点，应该 按4-6w左右出下牙齿。
推测df转换来的liae 。其 dfud时期的随机扭曲能力得到了一定的呈递下来。

合成测试
进行liae 未开随机扭曲 前合成。累计 6w迭代，合成测试。


左边原图dst，左2 256liae.   左3 256dfud 一个分支；  左4 256dfud 随机扭曲一个分支丹
左2 左3 左4  为同一个256dfud丹而来。均为零训练直接合成。且未对dst开随机扭曲 和关随机扭曲训练。
合成相同的遮罩，WETJ 均为0.
光影分析：
dst光影鼻梁 非常亮，左2的 鼻梁的光影 方面比较亮，左3 左4 则正常亮度。
跟dst光影还原度上，256liae 确实要比  左3和左4 256dfud要好一些。
细节分析，左2 左3 都有 上下 牙齿，左4 只有上牙齿。左3 左4 都偏离dst，表现为 左4是 仅上牙齿，左3 为 嘴巴张开 的更大；左2的 256 liae 牙齿 更契合原图。


在进行liae 开 随机扭曲 对联 几千迭代合成测试 ，累计7w迭代合成测试。  
找dst图片进行 零训练直接 合成。并与6w的未随机扭曲 的 做对比。

左边是6w，右边是 随机扭曲 对联 72955。
WETJ 均为0.
位置关系看，两个图片 的眼睛位置、颧骨位置发生迁移，随机扭曲会降低契合。
细节看 ，均有 下牙齿。




73500 关闭随机对联。src-src 充当dst 跑500迭代。 跟 dst原图测试。
（零训练直接合成，未训练过 该dst ）
结果 比较像 src 的五官。跟dst 明显不同。


相似度与设计的预期吻合。随机扭曲 ：关闭随机  ，呈现高随机占比，以锁定 随机扭曲得到的src相似度，同时适当增加契合度。


7w随机扭曲对联，和 73500关随机对联，对比。

（零训练直接合成，未训练过 该dst ）
位置关系看，两个图片 的眼睛位置、颧骨位置发生迁移，关随机后表现更契合。
细节看 ，均有 下牙齿。



dfud和liae的相似度和契合度综合分析：
dst并齿图 零训练直接合成时。

256 dfud 随机扭曲 对联 vs liae 随机扭曲 对联：
前者相似度极高。但是表现为不同于dst的并齿，仅 上牙齿；liae 则表现更契合dst。


256dfud 随机转关随机 对联 vs liae 随机转关随机 对联。
前者相似度更高，但是表现为不同于dst的并齿，嘴巴更张大一些；liae则表现更契合一点。
dfud 尤其随机扭曲，src提供表情信息；liae 可有一定的借助 dst的表情作用。这一结果 跟坛友的一致。




从下牙齿看信息传递。
liae 6w左右迭代 部分图片出现下牙齿，然后68000开随机扭曲对联几千迭代 跑出下牙齿；再关闭随机跑500 ，每个liae model 都合成 出下牙齿。

下牙齿的信息传递链：

df 改类型liae 炼制出 部分下牙齿后，  → liae开随机扭曲炼制 下牙齿 易→ 关随机扭曲 炼制 下牙齿 易 。

这一现象在 之前 dfud 炼制基本类似。
正训 关闭随机 炼制下牙齿 后 → dfud开随机扭曲对联 炼制 下牙齿 易 → 关随机扭曲 炼制 下牙齿 易 ；不再重复描述。

从上磨牙看关于信息继承：

整理发现，隐藏了 一套上牙齿为例的的信息传递路线
a 256dfud 预训练  炼制出上磨牙 信息
b 正训上磨牙 有一定的炼制加速
c 更换了src 上磨牙 炼制 加速
d DF换成liae ， 上磨牙的炼制也依然较快。

a-b-c ，这条线 在之前的 预实验 已经证实。学过的上磨牙，后一阶段就会非常快捷。如下图
这是b1 dfud正训44w 关闭跑随机扭曲 5000迭代 时候的上磨牙炼制截图和 开随机扭曲 13000迭代 的上磨牙


这是 b2 随机扭曲。上磨牙



一条 上磨牙 信息传递链，就组建起来。
a 256dfud 预训练  炼制出上磨牙 信息 →b 正训上磨牙 有一定的炼制加速 →c 更换了src 上磨牙 炼制 加速 →d DF换成liae ， 上磨牙的炼制也依然较快。

值得注意的是，到了 c-d 阶段，哪怕是 DF更改了 liae。上磨牙等细节 也有较好信息传递作用。
间接 证明，df-转liae 存在下牙齿的信息传递 不是偶然现象；df-转liae 上磨牙 也存在信息传递；演绎推理，df-转liae有各种信息传递，那么这意义就大了。


结果发现，实验组训练没有报错，可以进行训练。预览图上看，实验组明显的快于对照组。接近 预测是 假设2 C。
两次合成看，没有报错，均能合成人脸。并且跑到6w迭代 合成后 光影比dfud 要略好，同时细节看更契合原图。体现了 liae的优质光影、同时又契合dst原图的特点。

讨论
     DF是基础，liae是高端。两大分支在之前若干时间，无法交联。长久以来，几乎所有玩家一个dfud练好封存后。之后转为 liae 想玩一玩。这就决定 必须要第2个丹，从零训练一个liae。当换成liae后，相同分辨率和四维下，由于liae炼制难度大远大于DF。导致发现问题也特别晚，非常不利于 修复src让src成长。一旦错误需要大量迭代弥补，因而试错成本极高极高。很多即便发现 src 有问题，要么 半途放弃。要么一口气练到底 凑合使用。别无他法。基于前期 一些修改分辨率修改DD训练，本实验 进行了 DF→liae-ud的修改。试图跨越类别的壁垒。
      修改DFud →liae-ud 后，没有报错。改后 能否有信息传递。实验发现实验组修改后   远快于 对照实验。如 900迭代眉毛炼制快速出现（实验组要2400迭代-3000），这些眉毛信息不是凭空而来，推测是 继承了 50w 256dfud底单 的信息；合成对比发现 liae的优质光影的特点。 找到了部分下牙齿、上磨牙 df-liae的均有信息传递的证据；从而使得修改有意义。打通了 模型 类别之间的界线，撬开了 model 修改的最重的那块板。转换大约7w迭代 完成转换非常迅速，很快就跑完了；获得更多的炼制体验，同一套杂图数据，同一套src，全程自己参与，dfud和liae互为对照易对比发现优势不足，易找到问题的根源；获得更多自主选择，想要更像用dfud（需要极强的src），想光影更好用liae（可借助dst的部分表情），让 模型 切换 和 按目的去合理的灵活的 使用 df /liae 成为可能。
      查看记录的 该256 dfud预训练 → 第一次随机扭曲 要2w迭代出4道下牙齿；liae丹第一次随机扭曲只会更慢。而转化来的liae 随机扭曲 几千就做到了 4道下牙齿，纯净而且效率高。 比 复用 liae预训练丹 要快太多太多（删除interAB 法，条件不同，无法对比）。
      值得注意的是，发现了 信息 的 a→b→c→d 的信息传递链， 也是一种 炼制的新线索，从而 启示了一种新炼制思路。即 先易后难法炼制，为先进行256DF训练 a→b→c，后期转liae c→d 铺平了道路。
      先易后难的核心：第一阶段错误由256DF解决 a→b→c完成；第二阶段 光影质感由liae提升 d 解决（随机扭曲 、关闭随机扭曲等）。
    全程参与，获得更多的炼制体验。同一套杂图数据，同一套src，全程自己参与，dfud和liae互为对照易对比发现优势不足，易找到问题的根源；获得更多自主选择，想要更像用dfud（需要极强的src），想光影更好用liae（可借助dst的部分表情），让 模型 切换 和 按目的去合理的灵活的 使用 df /liae 成为可能。
       详细的说，即通过 256DF  a→b→c快速炼制的优势去 练手，熟悉流程，掌握技巧。发现问题快，并通过Ai工具 修补角度 修补表情 修补光影 等等修补后，再训练看是否改善，二次修补等从而让src成长强大起来炼制dfud model；但是 df的上限决定，炼制质感是比较难的。交给第二阶段。 256 DF成熟之后备份， 再改成 liae， c→d利用强大的 质感能力 并继承 dfud model 信息呈递（眉毛900迭代 而对照需要2400-3000迭代，上磨牙快速练出，从零炼制不值要多少迭代），快速出liae 优质的质感结果。
     liae如此强大，优质作品，是不是就用liae就要舍弃dfud。我的观点可能不同，更倾向于分阶段合理运用；简称为特殊dfud-liae模式/ dfud-剪映-liae 模式。一个专丹再强，都要提及要用到合适的脸型。dfud的先天优势，可筛选合适脸型载体; 剪映强大修改脸型能力，在dfud提供信息基础上对dst的瘦脸等修复处理，liae 强大的光影能力，再去用liae合成。既保留了高的src相似度高，又优质光影和契合的 优质作品。从而避开了高分辨率的弊端和陷阱。可以预设一个场景，如果 从零训练 某liae 如 384 24G 显存的等高分辨率liae，要数月以上炼制，那么 非常难发现 某镜头缺憾，只会认为是训练时机不够。直到关闭随机 若干 合成才发现 某镜头效果不尽人意也可能花费天价的算力修复，其费时费力的弊端显露无疑。筛选载体方面，用384liae每换一个dst都总是差点意思，再去找下一个载体还是不合适，而再去考虑修复脸型的问题。但liae契合高 是为筛选 埋下的隐患。让筛选载体和复用极难。只有高手才会解决，得到优质作品。
    简化版玩法：
以基础为本（保底的比较像的256dfud）；提升为辅（光影更优质的 256liae）。一般画质的载体 想更像就用256dfud，普通的中景等镜头用dfud既像，又较契合 确保最高的相似度；优质的画质载体，想要画质和光影更好就换上7w迭代 跑出的 转换而来的256liae 即可（条件好零训练直接合成，条件弱，随机跑一点，关闭随机跑一点点即可合成）。。
     （注1：以256为例，256dfud训练几天到几周；换成256liae都是 df的几倍时间；高分辨率的384liae、416liae、512liae都是数月 炼制。至于说如何转到384liae。 是 256df→384dfud→384liae；还是 256df→256liae →384liae。还需要后期进行探索。）



===============================
7.27 256dfud,44w 修改 四维参数的实验初探。
dfl的模型 分辨率和四维参数的合理搭配，配合超高清/高清 出优质的细节。
很多传统印象，分辨率和四维一旦确定。无法改变。要么一口气连到底，要么半路放弃，重新炼制新的丹。
我之前大约练废了几个丹。
6月到现在，前期对修改 模型分辨率做了预实验。发现 256dfud →416 之后，416大分辨率模型 能短期 内炼制一些之前的睫毛等细节。提升分辨率后，感观有很好的改善。
然而水涨船高，256→416dfud，四维也应该 比较提升一点或较高 从而 搭配合理才行。但是 关于四维的优化 尚未涉及。
本着实验性的原则，对256dfud384 96 96 28 四维中的 DD 进行修改。仅就 DD（ d_dims）进行实验看修改后能否快速 炼制细节。从而尝试修改四维参数上有所突破。
借着新版Torch大大节约显存的东风，来 提升 分辨率+ 提升 四维，从而改造优化旧丹 如 5年前的 老丹 上千万迭代的优质丹；或 创建256dfud新丹 边训练边 修改分辨率未288.416dfud 、同时优化调整 四维 合理配比，以降低参数创建失误而从零重建的损耗失误成本，减少 时间和算力损失，提高创建效率，做实验铺垫。


为了严谨性，准备了两个组，
一个对照组 是 新建 256dfud 384 96 160，28.   其DD 为160；
一个实验组从44w 修改后的model DD改为160。（原始model： 256dfud284 96 96 28  44w。修改后的 如下  256dfud 384 96 160 28；其中DD（ d_dims） ； 160是 96提升过来的。）对照组和实验组的，分辨率和四维完全相同：

素材图片，对照组和实验组 用的同一套，这套也是 之前的256用过的。
使用Torch，训练其他均一致。

预期与假设
假设1：实验组，model 报错，dfl不支持 修改DD。
假设2：实验组，model 通过。说明 dfl支持修改DD。
A
实验组 跟对照组一致，速度非常慢，说明实验失败。说明 实验中 的44w model 修改 DD 引起 model 信息的清空。已经跑了44w 修改 DD无意义。
B：
实验组 跟对照组相比，更慢，速度出奇的慢，说明实验失败。说明 实验中 的44w model 修改 DD 引起 model 信息的污染。已经跑了44w 修改 DD无意义。
C
实验组 快于对照组。说明 实验组速度非常快，是继承了44w model的 残存的信息。速度差别越大，已经跑了 44w 修改的意义越大。


实验结果 截图如下：
对照 实验1     1000迭代 人脸是糊的。人脸边缘跟背景混杂。从零训练的正常图片。



实验组 正常通过 ，至少1000迭代 没有提示报错。属于 跟 假设2 C 表现 一致。
1000迭代 人脸 已经比较好的轮廓，侧脸也是如此较好的轮廓，人脸与背景有清晰的边界，属于 能继承 有效信息的 正常图片。




实验组 又跑了一段时间

bs12  1w  迭代下，很多细节都慢慢出来。
右上角 背景的窗栏 出现 下牙齿白班不规则，近似于 要出下牙齿；右下角 隐约看到人脸部的手指。





对比其他未相同条件，跑了1000迭代的 实验组和对照组。明显能够发现，新建的从零训练，结果是人脸是模糊的，人脸跟背景混杂，而从44w model 修改DD 而来的，结果人脸人脸 已经比较好的轮廓，侧脸也是如此较好的轮廓，人脸与背景有清晰的边界，属于 能继承 有效信息。
从效率上看。bs12 10000迭代 没有报错，并能练出 背景的窗栏 出现 下牙齿白班不规则 ； 隐约看到人脸部的手指。说明学习效率非常高。这些特征往往新建256dfud384 需要 bs24 下 几万迭代。
说明，修改DD是可行的，是成功的，学的非常均衡也非常快。可能跟44w 256dfud丹继承的信息（已经炼制的窗栏，人脸手指，下牙齿不规则等 均已经炼制出来）有关；也说明 256dfud DD160 继承了之前的强大学习能力。

（注：对照组 没有继续跑，没有跑的必要了 。从零跑 就是跑1w，乃至5w 也出不来下牙齿的白班不规则形态、人脸上的手指，人物后面的窗栏，再跑纯属浪费算力和时间 ）。


讨论：dfl的模型 分辨率和四维参数的合理搭配，配合超高清/高清 出优质的细节。然而原版 吃显存原因，导致 高分辨率 高bs 四维就不能太高；四维高，分辨率 bs就不能太高。从而限制了model的 能力。随着很多大佬把软件更新 更节省 显存， 为 提升 分辨率 和参数提供了物质基础。
       前期实验 以下牙齿和睫毛为关注点，通过 256预训练丹 修改分辨率416等 预训练丹；256 随机扭曲丹修改为320随机扭曲丹，都证实修改后确实可以 继承之前的model 信息。也让小分辨率 变成大分辨率模型成为可能。相对轻松的打破了 建丹时候参数限定的阈值，从而既然提升了质感，又大大节约了炼制成本 。
      本实验，从新的角度，发现 其他条件不变下，对 四维的DD也可以修改。其1000-10000迭代 内训练无报错顺利通过， 速度也非常可观。
      站在巨人肩膀上，推测修改DD后的 256dfud384 96 160 28 丹，已经能够 继承了 44w 256dfud 384 96 96 28 model 的优质信息（之前就训练出了 下牙齿不规则、背景窗栏、人脸上的手指），同时继承 强大的学习能力，表现出 快速 继承的特性，这类特性 在修改分辨率时候也发现过。推测，修改分辨率和 修改DD，都属于快速继承，简单的理解为此类情况属于 遇强则强现象。


意义：本实验256dfud修改DD96→160，训练无报错顺利通过，训练出细节均衡速度快较为可观。今天这一发现，进一步而弥补了 四维参数 修改的空白。
新版Torch 节约显存提供了基础，修改提升分辨率是一个利器，修改DD或许也是一种工具。三者经过一定的摸索和测试，可能将来可以做搭配使用。从而发挥最大效能。
      合理设想，一段时间内 摸索使用三者的规律，可能为已经训练 几百万，乃至几千万迭代的model 但是 四维 不太满意的model 进一步优化，提供了一种新线索；也为边训练边优化让model 合理搭配，的炼制策略成为可能。

     个人非常看中第一种预想，即改造手头的的旧单。炼制丹是非常费时费力的事情。5年前 旧款电脑 等 当时条件下 炼制的丹，通常是需要花费数月，花费大量电费炼制 几百万 上千万迭代。当出现新版 换了新电脑，旧单扔了着实可惜。现在看，可以救一救。 可以设想，一些原版下 限于显存限制的 5年前的优质 迭代 久的丹。创建之初就 限制了其阈值。在其基础上炼制，最高也就是接近炼制者水平 （比如炼制者炼制了 4道嘴唇纹理和少量睫毛）。要想进一步接近 需要更久迭代，耗费的算力多，时间 数以月计，但是 阈值的作用，清晰度就是某个值，再高 就是高不上去，付出的花费和成效不成正比，达不到预期。新版Torch下，修改其分辨率 ，修改其DD，则不同。需要显存降低、另一方面 破解 阈值的限制，从而提升 细节的阈值（假设之前是4道嘴唇纹理潜力，修改后 提升到6-12道嘴唇纹理的潜力）。此外，修改分辨率和 修改DD，都发现了 有快速继承的特性。速度远远快于从0新建炼制一个新丹，这意义就大了。举例，像 之前 非常优秀 但是 分辨率和DD 略显得不足 炼制的丹 。如 224liae512 64 64 32等 出下牙齿 出 人脸的颗粒等。现在经过新版Torch 版本可节约显存，再提高到256(288) liae等进行分辨率提升； 分辨率高了，水涨船高，对细节要求高，再改改 DD（ 合适修改和提升 64→72/ 80/88等）；三者合理使用，配合优质的超高清素材图片等，把原来 下牙齿 人脸颗粒等优质信息，通过 非常非常短的训练是能继承下来。旧单新用，利用合适素材图片，把修改分辨率 DD ，通过短期训练，最终的 呈现效果提升，技术上 已成为了可能。
     
     值得注意的的是，另一方面，如果是 5年前 没有 炼制出细节的 千万迭代丹。像千万迭代 没有 下牙齿 等老丹 ，肯定炼制了一些信息，这些信息 可能属于 干扰信息 乃至 污染信息。修改分辨率和修改DD后 继承的 依然是 没有 下牙齿 的信息。像此类的修改意义不大了。


除了 预训练丹，随机扭曲丹 能不能修改DD，试了也可以。利用 320dfud352 96 72 24 随机扭曲丹 ，修改DD 进行测试。
bs12.  素材图片 一致。大约300迭代 出人脸 形状 跟 背景 有浅浅的隔开痕迹。理论上 其他的随机扭曲丹等， 也有可能成功的。







（注：由于是第一次 修改四维参数，属于摸索阶段小分辨率 256dfud DD96→160 故意设计的有点夸张，真正使用酌情提升；训练的迭代也少，才10000多迭代；
尚 缺少大分辨率416等需要如何修改DD 的经验，并具有多少实用价值，416下 能否像 修改分辨率那样model得到 快速继承，缺少实验证据，还需要后续的实用测试）

======================================


8.2补充： 256dfud 正训 随机扭曲丹→修改为320dfud继续 随机扭曲测试。

     416等大分辨率模型，从零训练非常耗费算力和金钱。一些 416 512 都是用钱堆出来的（早期640 需要 32G显存 bs2 - 96G显存 数月的训练）。
假设 416dfud 全程 试错 全程跑出 下牙齿 部分睫毛等前期工作 需要反复试错；而运用 256dfud 先 试错 跑一段时间不断优化选择出最佳的预训练素材图片；得到合适的方案摸索后 44w备份，依次 出下牙齿 部分睫毛等。只Torch改一下分辨率为416等。短期训练就能得到清晰的 下牙齿 部分睫毛 的416预训练模型。 就可以省掉了大量的时间、算力和金钱。
但是 预训练丹只是炼丹的一个环节。后期还要最重要的随机扭曲。  研究能否  对 256小分辨率 随机扭曲丹的 更高模型修改分辨率 就非常有很有意义。
     巧了。刚好256dfud随机扭曲 已经跑了一段时间；可以 对其修改 分辨率。弥补 随机扭曲丹 修改分辨率的空白训练。
而且 依然保持相同的 同一套新单人src（该src  在预训练没有用过）。这样更有说服力。

(注：实验发现信息呈递的太强大，哪怕修改了分辨率都能呈递下来。故正训 换新的 预训练没有用过的 单人的src 更有说服力。
因为 很多坛友 预训练 常用的办法 30000张ffhq等 放入一半15000张放入预训练；正训时候，src换成单人src；dst换成另一半之前没用的15000张ffhq。就是采用这样的更换素材图片的策略。)


Torch 改后320dfud、随机扭曲 预测：
假设A，
其训练速度 像256dfud 类似。 需要1w- 3w 出下牙齿齿缝？实验失败。说明修改分辨率320 只能继承 256关闭随机扭曲的信息。不能继承256随机扭曲能力。
这样，推荐 修改预训练丹；随机扭曲丹 也能修改，但是不会加速。
假设B，
其训练速度 像256dfud 要慢太多太多。 需要3w-更多w 出下牙齿齿缝？实验失败。说明修改分辨率320  继承 256关闭随机扭曲的信息。但是256随机扭曲反而阻力。
这样，推荐 修改预训练丹；但是 随机扭曲丹不能修改，会减速。
假设C，
其结果速度 比256dfud 快。越多越说明。修改分辨率为320 继承 256的随机扭曲学习能力。
这样，推荐 修改预训练丹；更推荐修改 随机扭曲丹 ，会对后面的随机扭曲提速。


model 是 256dfud 跑过 该 src-src充当dst 随机扭曲丹 bs16。
修改工具：Torch版 修改分辨率
改后分辨率： 320dfud 开随机扭曲 src-src 充当dst （保持跟 256时候一致）bs16。
训练：开启遮罩，开启随机扭曲，开启自动调整学习率，（全程关闭 lrd /Lr_dropout.）


结果：800 迭代 随机扭曲 跑出了 大嘴巴磨牙，部分图片 3-4道 下牙齿。与 预测C 相一致。

预览的 第二页变形2/3；扭曲状态下的 截图，


3700迭代，随机扭曲 细节出的更多。7-8道 细小的下牙齿齿缝、上嘴唇纹理、油亮的汗珠（src原图）。




结果分析：
256原dfud 和 320改后 随机扭曲的难度对比。
修改为320 随机扭曲 较易 800 出4-5道下牙齿  ＜256 正训 单人 src-src 随机扭曲  难  1w-3w多 出 4-5道下牙齿，最高7-8道下牙齿。


Torch 修改后320dfud 随机扭曲 符合 预测C。256等小分辨率dfud随机扭曲丹 ，通过使用Torch工具修改为更大的320分辨率随机扭曲丹，保持素材一致的条件下，会对改后的320分辨率随机扭曲大大提速。快了数倍。同时发现，320明显感观上 优于 256.
    具体的说，256dfud修改为320dfud后 新单人src刚刚随机扭曲训练过，所具备的 五官细节。如 下牙齿 上嘴唇纹理等 五官的 细节类别，其实model中 有类似的信息，并已经 训练出来。只是提取了的这些细节并加以稍加 320dfud随机扭曲改动，转向第二列的src。大约随机扭曲几百迭代 部分图片 出下牙齿齿缝。3700迭代 随机扭曲 出 7-8道下牙齿齿缝，训练的飞快，同时 开始更细节的学习，从而改善感官，这就非常非常有价值了。

讨论：
       随着电脑的更新，坛友尤其新来的坛友常用的策略算力丰富 上来就是 电脑支持的极限的 大分辨率模型 。
      越大的分辨率效果越好，，这一策略有巨大隐患。 越大的模型，随机扭曲的迭代需要时间越久；试错成本越高；512、640等都是 以 数月甚至上年为单位跑随机扭曲的，有坛友 640dfud之前用96G训练数月。
     相比而言，小分辨率 256dfud 试错，打好基础 出 随机扭曲出 下牙齿 大嘴巴 磨牙 等细节；快要触及小分辨率的阈值备份。Torch修改为416等大分辨率再打破阈值，随机扭曲 跑一点点时间，就能继承训练好的细节，并在此基础上提升细节备份model 做主丹。遇到樱花dst ，开随机扭曲，关随机扭曲 合成即可，方便快捷。前后就是以天为单位，运气好一次跑通 几天就出优质model，好作品好视频，就非常非常划算。
     多说一点，一切为了既得到作品，又能提高效率是根本。新手如何准备樱花换脸训练使用的素材图片？单人src 角度越全，光影丰富为佳。不全就补充角度。
    预训练和 正训随机扭曲 所用杂图来源可以来自平时实践。 只要练过 如陈天仙 src 炼制过  如自闭2.0 256 等丹（用别人的底单 随机扭曲 关闭随机你去）。那么会曾经 对樱花 各种老师 进行了切脸合成筛选。这个相当于预实验。根据效果。可以把手头的樱花dst分成多类，一类是效果好比较合适的载体A；另一类是不太合适B 类，甚至根本差别太大的 C类
     物尽其用，分类使用炼新丹：
      1. 256dfud新自炼 预训练丹。优先 用那些跟陈 天仙 脸型差别大一点或 不像的B和C部分 选一些超高清正脸和小角度 （不够就用 其他来源 如 ffhqWF1024、RTM中的超高清、国产电视剧、论坛等超高清图片，但只要放入预训练将来就不推荐再用做正训dst）；2.自炼丹转416等后 正训后期丹，把将来要换脸的载体dst A类 多人老师素材图片中其正脸和小角度放入后期正训→也算是为最终还是1v1  变成单一合适脸型做准备。
      2.大角度图片 补充等办法。  预训练 使用樱花切视频时候切出来的资源很多； SRC 从饭拍等切取或 运用 ai工具生成。对樱花 换脸时候，这种的大角度镜头 一晃而过，不多的话，src补充一点点图片就有明显效果。

   
（注： 256dfud炼制随机扭曲，可以修改为 384、 416、448甚至更高。修改的越高 对 素材图片的要求也越高）。

===============================================
7.31-8.2  256dfud 44w,  预训练 → 正训 单人src-src （单人充当dst）随机扭曲实验。
预训练后，传统的办法是 单人的src  vs dst杂图 学习。开随机扭曲，让 第五列像 src，得到大概的细节，得到model A  细节往往不够清晰；之后 关闭扭曲再跑一定迭代 或开gan等 炼制 更细致的细节 得到model B。该办法 短则几天，长则数月。一旦跑到最后 发现 细节表情不足，角度不足，光影 不足 。需要重新找 带细节的 带角度大一些的，光影一点的 src 素材图片，再去数周 乃至数月的训练。非常花费算力和时间。
最近的实验发现。256dfud预训练 炼制的 下牙齿 睫毛，可以 修改分辨率为416 快速炼制 下牙齿和睫毛。说明可以 利用信息的呈递性 节约算力和时间。
于是，采用 单人 src-src 随机扭曲 法，做一点实验。期望找到 能 又快又好的炼制细节的 正训的训练方案。


首先，准备 角度比较全的 单人src，光影较为丰富  并且 该src  在 预训练中没有训练过。

(注：实验发现信息呈递的太强大，哪怕修改了分辨率都能呈递下来。故正训 换新的src 更有说服力。
因为 预训练 常用的办法 30000张ffhq等 放入一半15000张放入预训练。正训时候，src换成单人src；dst换成另一半15000张ffhq。就是采用这样的策略。
)


Torch版， src和 dst 文件夹 放入 同一份 单人的 src（充当 dst） 20000张；

1) 正常训练 SAEHD SRC-DST。
model 44w 预训练丹（pretrain: True）→pretrain: False
第一阶段 ： 关闭随机扭曲，先出 部分src的细节。
开启遮罩，自动调整学习率,   （全程没开 学习率下降） bs16  跑 。
结果：秒出人脸；大约 800-900迭代，出现一道以上 下牙齿齿缝；同时观察 一些 光影丰富的图片也开始出现 对应的光影。
3000迭代，出 4-5道下牙齿。
如下图，下牙齿 出现 一道以上齿缝。



如右下角



5000迭代，单人src下牙齿 出4-5道齿缝；大嘴巴张开时候，牙齿的 第三 第二 磨牙已经练出。





第二阶段 ： 随机扭曲，单人的src-src 充当dst。

Torch版， src和 dst 文件夹 放入 同一份 单人的 src（充当 dst） 20000张；
1) 正常训练 SAEHD SRC-DST。

开启遮罩。自动调整学习率,   （全程没开 学习率下降）
300迭代，出 基本的人脸 跟 背景 有明显的分隔。



大约随机扭曲 1500-3000迭代 出上牙齿齿缝。 图片用了 2w张。






右下角。练出来了 单人src部分图片的复杂光影。


13000迭代 出 下牙齿齿缝痕迹

发现 13000迭代左右 出 嘴巴张大的  磨牙的 痕迹



13000迭代 上嘴唇纹理已经练出



2w迭代 ，部分图片 炼制 4-5道下牙齿 。

3w迭代。部分图片 4-5道下牙齿

放大，看细节，随机扭曲 练出的是 中间的小下牙齿，边缘的小下牙齿还没有练出。




讨论：
   
信息传递过程推想
   第一阶段的推想，预训练是 正训的基础。
      预训练时期， 多人 预训练 获得 多人下牙齿 多人上嘴唇纹理 等多人细节信息（ 甚至高矮胖瘦万人信息）→再通过 正训 新单人src 获得 第二列 第五列的 新单人的src 五官 光影的单人信息（单人的 妆容统一，角度较全 ） ；万人信息向单人信息 转移的 这一偏移过程，同时会部分 继承 预训练的 万人的 下牙齿 上嘴唇纹理 转为 新单人 的独特的 下牙齿 独特的
     
    第二阶段的推想。    正训 关闭 随机扭曲  跑一会 ，是快速 正训 开随机扭曲的基础。
       正训 对联新单人src-dst（用单人src 充当dst）  获得 第二列 第五列的 新单人的src 五官 光影的单人信息（单人的 妆容统一，角度较全 ）→ 正训 随机扭曲，新单人src 第二列 随机扭曲能力 第五列的 新单人的src 五官 光影的单人信息（单人的 妆容统一，角度较全 ）。单人未随机扭曲 向 单人随机扭曲转移， 这一偏移过程，同时会部分 继承 单人未随机扭曲的 炼制细节 如 下牙齿 上嘴唇纹理 大嘴巴磨牙 复杂光影等。
          （ 注：之前 预实验过 5000张 单人src，结果 关闭随机扭曲，正训第一阶段几百迭代就出 下牙齿。改用为实验用的20000张 速度降下来，而且 包含的信息更全面一点。有助于 写入更多的细微信息；一般操作 没必要20000这么多，酌情考虑，也可以分批训练 提供效率）




7.10-11   256dfud，44w预训练丹修改分辨率 为416dfud 过程 睫毛等细节观察。

之前训练关注点是下牙齿等，这是很多坛友使用256dfud等小分辨率  模型 在樱花1080p 通常镜头 所关注的特征。但是很多使用高分辨率模型的坛友，可能关注的不仅仅是下牙齿，而是VR等近景 睫毛等特征。
要完成通常镜头 和 vr 近景。需要分别炼制小分辨率和 高分辨率两个丹。此时，高分辨率丹尤其慢，试错成本高、出错难挽回，发现问题晚，浪费时间浪费算力的可能。

故 本实验 256dfud 先行试错，随着 摸索经验的基础上；再分 修改 分辨率，并观察睫毛等细节。探讨创建 基础256dfud通用丹，巧妙修改分辨率 升级为高丹，实现小分辨率更快速出结果，高分辨率出优质细节。从而更节约时间和算力可能性。
（256→288，288→416 均使用： 人脸模型 支持更改解析度 （Torch，DML）实验性）。


素材准备：

假设 256 小模型分辨率 主要用高清；416大模型分辨率 主要就是要超高清。
为了一致性，开始准备 超高清 素材图片 为主体 一套。用同一套超高清先跑256dfud，随后 修改分辨率跑416dfud。


超高清 素材图片，
来源
1.国内电视剧 人脸占屏幕高度 2/3以上 WF1024、18岁以下、18岁娇嫩肌肤，40岁 中年妇女、70岁以上 都包含； 未发论坛
2.樱花4k bed 屏幕高度 2/3 左右 WF1024，18岁娇嫩肌肤，40岁 中年妇女 ，各种光影，各种表情，吃冰棍等 都包含 ，未发论坛
3.樱花 8k VR 近景 屏幕高度 2/3以上 WF1024，18岁娇嫩肌肤， 未发论坛
4.辅助部分，论坛曾昙花一现的樱花（选优质的未强化的）、 ffhq WF1024 等 少量部分等混合 组成。


极限仰角等 侧重某一点优异的也保留。如可能樱花拍摄者原因聚焦时候 有的 看清嘴唇纹理时候看不到睫毛，给与保留；有的看到睫毛 看不到嘴唇纹理 也给与保留（远超256dfud 要求）


部分关注图片，要放大看细节；如看 嘴唇纹理
（能适配416dfud的超高清的优先；远高于256要求质量）


部分关注图片，要放大看细节；如看 睫毛，放大看原图睫毛非常清晰，有着  松散不一的睫毛
（能适配416dfud的超高清的优先；远高于256要求质量）



第一阶段。256dfud 睫毛丹→288dfud 睫毛丹。

先行的技术探路
丹：256丹 预训练 441000 前期已经大量的试错，并已经出 部分睫毛（正脸有的出3根）；开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）
修改分辨率，256dfud→288dfud。（256→288 使用： 人脸模型 支持更改解析度 （Torch，DML）实验性）
素材图片不变。开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）

bs 24→ bs16，继续训练
结果：修改后的288dfud，大约3000迭代 累计 444000 出下牙齿；修改后的 288dfud 4000迭代出 大约5-6道下牙齿。
修改后的 288dfud 大约 4000 迭代 出3道睫毛。


256dfud 44w。开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）
7.24 训练截图。





7.10 修改后的288dfud，

同样 开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）
bs 16.   loss变化如图。


大约4000迭代 累计 445000 出 3根睫毛。




9000迭代。右下角 图片上的 上嘴唇纹理也炼制出来。


左上角光影，也炼制出来


练 部分 睫毛 的难易程度。
开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）条件下。

预训练 大约44w  3根睫毛 较难 ＞ 预训练 曲 大约30w  1根睫毛 适中＞ 修改模型分辨率288 4000迭代 左右 3根睫毛 最易
对比发现，预训练阶段 已经炼制出 部分睫毛等细节后（30-44w 部分睫毛 ）此步为最困难的部分。修改分辨率 炼制 出 睫毛则非常快，说明预训练model 中 已经炼制的细节 如3根睫毛 可以 呈递给 后续训练如 修改分辨率288使用。


7.11第二阶段。 288dfud 睫毛丹→416dfud 睫毛丹。
再修改分辨率实验。
丹：288 预训练 468000 已经出 部分睫毛（正脸有的出3根）
再修改分辨率，288dfud→416dfud。（288→416 使用： 人脸模型 支持更改解析度 （Torch，DML）实验性）
素材图片不变。开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）
bs 16→ bs12，继续训练
结果：修改后的416dfud，大约1000迭代出较好的人脸；2000迭代出上牙齿；4000迭代 出1道下牙齿；修改后的 416dfud 8000迭代出 1道睫毛。
修改后的 416 dfud 大约 10000 迭代 小下牙齿5道，出 人脸腮部光影，并能 发现部分图片 出4道睫毛。


下图，2000迭代 出 上牙齿。





4000 大约出 1道下牙齿齿缝



8000 迭代 出1道 睫毛






10000 迭代，非常小的 下牙齿 大约出5道。第一行的 左腮 人脸光影 炼制出来



10000迭代，部分出 4道 睫毛。


讨论：

256小分辨率模型的炼制时候，大多坛友关注的是下牙齿炼制。小分辨率 非常快 ，前期试错极佳（通常使用高清素材）
416等 大模型分辨率的炼制，对樱花 VR等。大多关注的是 睫毛 的炼制。大分辨率非常慢。炼制慢，难度大，发现问题晚、试错成本极高 （通常使用 超高清素材）
要完成 上述，很多坛友 大多要炼制两个丹。一个 简单快捷的256，一个 高难度的416.丹。但会存在不通用和浪费时间算力的弊端。


通用是王道。前期 很多坛友 针对努力，在兼容和通用下了很多功夫。
基于此，能否一个通用丹，既能完成小分辨率 前期试错，强化学习能力，具备非常快的炼制下牙齿特征，又能 具备升级的可能。将来转为 416等大分辨率 睫毛丹？
模拟这一过程。炼制了 256dfud 丹 44w 。前期进行了大量的试错。并出 3根 睫毛（远远超过 256的 一般要求）。先行 修改 略微 提升一点，进行探路。改成分辨率288dfud，发现短时间内（4000迭代）288dfud 分辨率能继承之前炼制好的部分3道睫毛，也出了上嘴唇纹理（9000迭代），基本完成预期；再次进行实验 以改过的288基础上 再修改→ 416dfud 大分辨率丹，继续训练发现 大约 5000迭代 出1道下牙齿，1w  小 下牙齿 大约出5道，人脸腮部出光影、 部分图片出 4道 睫毛，整体看同样还是非常快，效率非常高。
（256→288，288→416 均使用： 人脸模型 支持更改解析度 （Torch，DML）实验性；开启预训练 ，开启 自动调整学习率（全程关闭 lrd /Lr_dropout.））

发现一个有趣的现象：当模型在预训练 阶段的下牙齿 睫毛等细节上训练成熟后，切换了模型分辨率，下牙齿、睫毛等 学习速度异常快。揭示了256预训练模型的迁移学习能力。
高质量的256预训练模型像个 学霸，学完了下牙齿、睫毛等细节后非常优秀；当 转288 后学习能力很强，哪怕转过一次后，再转 416大分辨率， 其学习能力 依然非常快。

本实验，使用一套素材图片，先行建立一个256小分辨率丹，进行了大量试错实验，成熟后再修改为 目标分辨率如 416 大分辨率丹 出更高细节。
探讨创建 基础256dfud 快捷试错通用丹，巧妙修改分辨率 升级为高丹，实现model 转变为学习能力强、快速与高效、兼容与通用，灵活的升级潜力等综合能力的通用丹。从而在本质上，节约炼制时间和算力，提供了 一种参考思路。
（注：以上是探路，（256→288，288→416 均使用： 人脸模型 支持更改解析度 （Torch，DML）实验性，开启预训练 ，开启 自动调整学习率。全程关闭 lrd /Lr_dropout.），并两次修改验证修改的信息传递效率都很高。真正使用，大可不必这么麻烦。 可以为 一次修改 如创建 288dfud 训练出 睫毛等特征后 →修改为 416dfud 睫毛丹 等。）

修改 分辨率模型的时机的讨论。

首先，炼制细节特点方面的呈递和高效训练侧重性推测。

多次试错测试。发现 炼制樱花 女性换脸丹， 时机很重要。继承性时机要有所考量。
樱花类，可分两个分支 第一类 女主 bed 为基础，关注点是 嘴巴和下牙齿；另一类分支是 VR 8K等 女主 怼脸为基础，关注点是 睫毛等。
关注点是 下牙齿；关注点 是睫毛 就有很大的不同。

256的试错丹，17w丹 开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）出下牙齿 没出睫毛；而到 44w 不仅出下牙齿 出3-4根睫毛，开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）。
17w的 256 model，修改为352时候，是可以快速 呈递 并 出现 下牙齿的，但是 睫毛没出。
44w的 256model。修改为 288，再次 改为416.两次 训练都 快速呈递并出现了 下牙齿和 3-4根睫毛。
从 睫毛、光影等信息呈递看，model B 256dfud 44w预训练 修改分辨率效果 要远远好于17w。
说明，修改后的新丹会兼容之前256所学信息。即新版44w 256炼制了 下牙齿 睫毛，不仅256→288，288对之前的256下牙齿和睫毛能继承，就是连续修改两次分辨率， 256→288→ 416，得到的416 ，开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）也对 之前的256能兼容并继承；
从另一个角度看，旧版 256 炼制了下牙齿 但是 没睫毛 ，转352 后，开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.），352 有下牙齿但没有睫毛，同样是能兼容并继承？

这或许可以解释一种现象，高迭代不一定高效率。
即256 炼制出上牙齿  没有炼制 下牙齿和睫毛 假设200w-1000w 都是 如此； 一直是只有上牙齿 没有 下牙齿 没有睫毛，这200-1000w 肯定是炼制了一些东西。既然没有下牙齿和睫毛，相当于 大部分炼制了模糊信息。转416 兼容并继承的就是 炼制上牙齿，而无 下牙齿 无睫毛。此时，若要发生改变，就要覆写 1000 w 中的 模糊信息。 呈递过程中，算力和迭代 发生了偏移，会不会导致炼制 416的 下牙齿 和睫毛 困难重重，炼制效率特别慢？


按照镜头特征分析，综合考虑的高效训练策略：


假设和验证：提高有效信息，压制住污染信息。
如最终规划，炼制的是女性src类。非女性特征可以考虑是污染信息
预训练 下牙齿 → 呈递给 正训 下牙齿（高质量信息）；预训练 略模糊 → 呈递给 正训 略模糊（低质量信息）。 预训练 胡子男/眼镜男 → 正训 胡子 眼镜信息（污染信息 ）。
（污染信息是相对的，如果最终规划是 炼制 胡子男，或眼镜男性类，预训练 胡子和 眼镜信息 则是 需要的信息，此类丹 非男性则是污染信息 ）

按最终镜头特征使用来规划，如果 将来 既小分辨率256dfud384 换脸 樱花普通bed 就要侧重 樱花普通bed镜头；将来 修改分辨率 416dfud384等 vr 怼脸。是不是就要在小分辨率 实验星的 256dfud384 等预训练阶段 有所侧重，针对将来转为 256→416dfud384等大分辨率模型，降低试错成本， 更能节约时间和算力？


假设是女性 bed/ VR 怼脸 镜头，高效信息传递：
预训练（？）→  呈递正训 256dfud384 樱花普通bed/ 修改分辨率416dfud384 兼顾 VR 怼脸，


情景1 预训练 侧重樱花普通bed，
就要多准备 樱花普通bed；
情景2对樱花VR怼脸更侧重，
修改后的416dfud384 更侧重，就要多准备 VR怼脸，这样 修改分辨率后 能继承之前学习的VR怼脸信息？即  VR 近景的 真实质感会更佳？
情景3 樱花通用性，既用256dfud384 普通樱花bed，也用修改后416dfud384.换脸 VR近景。
两部分就要都兼顾。从而使得结果表现，达到通用性。

按照年龄特征分析，综合考虑的高效训练策略：
从最终规律，按女性的年龄，炼制也可以考虑是 两类分支 ：分支1：中年女性质感肌肤；分支2：18岁 娇嫩肌肤
演绎推理，关于快速 高效的炼制 女性 质感，是不是类似如此？如果 将来 主体的单人 src 是 18岁嫩滑肌肤；或 是 中年 过期 女主 中年质感。是不是就要在小分辨率 实验星的 256dfud384 等预训练阶段 有所侧重，针对将来转为 256→416dfud384等大分辨率模型，降低试错成本， 更能节约时间和算力？
高效信息传递：
预训练（？）→  呈递正训 单人 src 18岁 嫩滑肌肤，
逆推法， 预训练 炼制出 嫩滑肌肤感？

情景1 预训练 侧重用的中年女性，炼制出 中年 张天仙 王天仙 等 过期女主类别的中年质感；修改分辨率/转正训 src换成单人的 中年 刘天仙（也算过期女主） 后容易继承 之前的中年质感？  VR 近景的 真实质感会更佳？
误区：预训练 用的 侧重的 年轻女性，并炼制的主要是嫩肤；几十万，乃至 几百万 上千万；将来想 炼制 另一类 刘天仙 中年女性质感，这一中年质感 在预训练中恰好没有涉及或 没有炼制出来，这些质感图片里的信息就相当于覆写之前嫩滑的人脸信息。短时间难以炼制出 中年质感出来，显得效率很低很低？

情景2：预训练 侧重用的年轻女性，炼制出18岁左右 嫩滑的质感，修改分辨率/转正训后，换成 同类的 18岁 嫩滑肌肤 容易 继承 18岁 嫩滑的质感？  哪怕 dst是 中年 甚至是老年的 樱花 ， 樱花片源的普通场景 换脸 会 高效美观，让 观感更佳？
（注：侧重也不是100%全是此类图片。仅仅是适当提高占杂图的比例）

除了镜头分类、年龄分类、还可以有各种各样的其他分类，依然同理。

其次，角度和光影方面的考量。

DFl 有个 遇强则强，遇弱则弱的现象。对于一般玩家。凑齐全角度全光影的 预训练杂图相对容易
假设 预训练杂图 角度 100，预训练 光影为100，
预训练进行修改模型分辨率。则遇强则强。继承更多的信息。100的角度，100的光影。能继承更多的角度和光影。


正训进行修改模型分辨率，则完全跟src有关。非常容易出现，遇弱则弱。
假设 一般玩家 正训 单一src 杨M 角度60，光影 60.
举例 预训练100分的丹转为正训 288-416，通常 用  单一 杨M等 60分的 src vs dst 杂图。
单一的src 训练 随机扭曲 时间越久，第二列 中 蕴含的 底单的信息权重会降低，那么 第二列 角度得分 会从100越来越趋于60. 光影 也是越来越趋于60.
加之，随机扭曲 另外会带来一定的细节的损失。对 牙齿 对 睫毛 细节破坏。此时正训随机扭曲阶段 第二列 趋于60分的状态下，再去修改分辨率。得到的 高分辨率换脸细节得到提升，但是 修改后的model 假设 288-416 的 第二列 的信息 不是直接由 256的 预训练 100 而来，中间 间隔了 256的 并且随机扭曲的 60分的 杨M 正训部分，导致间隔更长了。从而偏移60分 更严重，而更趋向 最后阶段 杨M的 角度60  光影 60分。
修改的model，炼制了一个src后，很多坛友 容易 更换 src。
假设 再次更换src，换成 刘M 256 随机扭曲 是 角度60分，光影 60分。那么 继承的 同理，是最近阶段的 更有影响力。即是 最近的 杨M 来信息迁移（从60分的 角度 光影 迁移），而不是 预训练的100分 来继承。两次 src 的使用，最终可能长时间的偏移化（角度60分 光影 60分），失去了神丹（预训练 100分 的角度 光影 迁移）的特效。

站在巨人肩膀上学习。对于一般玩家，优先推荐在预训练阶段 让model获得全部人脸（杂图越多越好）理解和细节生成能力（下牙齿 睫毛 光影等越细致越好）后。再进行 修改模型分辨率。在此之后，容易实现高效高质量的修改分辨率的信息迁移（从100分的角度 光影 迁移）。


（注：（256→288，288→416 均使用： 人脸模型 支持更改解析度 （Torch，DML）实验性）。开启预训练 ，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.）；修改分辨率 不仅仅 256dfud→288dfud. 288dfud→416.
256→384/416、448. 修改的越高，对素材图片的质量要求也就越高。）


==================================




6.20   第三阶段，正训 转 1v1  随机扭曲 dst 细节 测试并筛选合适的载体。

正训 1src v dst 多人一段时间后。最终要转为 完成1 v1 樱花 的换脸。由此进一步做以下实验。
为了 严谨，也上点难度；256分辨率 预训练 改成 288分辨率，同时 开随机扭曲。
model  63000迭代 288 分辨率 正训训练丹
src不变，多人dst改为 新单人dst。  在之前 的预训练阶段 没有 利用过该单人dst。
288分辨率模型主要针对1080p一般质量视频换脸。为切合实际，dst实验为一般质量（1080p，一些细节只能说一般）。
随机扭曲 训练。
重点关注 第四列的表现 ，如果 单人dst 第四列 能较快的炼制出较好的 如下牙齿 等细节，说明成功。如果 第四列 不能 较快的炼制出 较好的细节 为失败。

结果发现，全程随机扭曲下，单人dst 累计大约 3000-5000 迭代 第四列 开始出 部分下牙齿。

讨论：6.17实验证明，预训练第二列 炼制的细节 比如下牙齿 可以 呈递给 正训 随机扭曲的 src的第二列。
本实验6.17的基础上，发现第四列的 信息传递 可能更特殊一点。就是在 正训 1 vs 多人 dst阶段具有 隐藏性，该阶段第四列表现不出的特征，当换成 单人dst 后很快就 显现出来的特点。验证了，预实验的 第四列 炼制的细节 比如下牙齿 也可以呈递给 正训 1src vs 1 单人 dst 的第四列。
从而丰富了 从零训练进行 预训练→正训 1vs多人dst 随机扭曲 →最终 1v1 单人dst 随机扭曲，这一相对完整训练过程中 model 的信息传递的规律。
筛选合适载体或丰富src
训练是为了最终效果服务。基于以上实验。经过推算。上述256（288）小模型分辨率经过了 1vs 多人dst后（6w以上）。可以 进入筛选 dst的阶段或丰富src阶段。
筛选时，出效果相对较快，几千迭代快速出结果，
如果多数表现不错，就纳入 合适载体。后续 该单人 dst 再有其他新作，随时可以切脸，跑跑看是否出较好的结果。并保存 随机扭曲的备份，做分支model 1v1 专人丹。
假如该dst 100帧有 一半以上效果脸型上不好，可以舍去该单人dst；或 脸型很像，但是个别 镜头表现不佳，（也可以借此 重新丰富src，等丰富后看有没有改善）。
从镜头看。樱花的镜头有一定的规律。在此时间去实验合成最看重的一些，灰暗，浴室，等镜头。
进而优先src或微调src。继续训练。
以常见的樱花的左侧米黄光源镜头为例， 新生成一部分左侧米黄光源的src。
左侧樱花dst，中间src，右边 生成的src 。以此类推得到改进的光影包，增加到 src中继续训练看有没有米黄光源镜头合成有没有改善。







3000 左右 随机扭曲 第四列 隐约出现 部分下牙齿（63000开始累计66000）。



5000迭代 细小的部分都展现出了，效果更好。 63000开始 累计68000.



========================
6.17  预训练转 正训 修改分辨率288 随机扭曲 测试。
17w 预训练丹 已经炼制上牙齿 下牙齿 和 人脸黑斑等细节暂停训练备份。
进行 初步的 正训 随机扭曲测试。
测试方法 。先放入 单人src 和 多人 dst杂图，转 正训 随机扭曲跑一会。
正训细节主要是 src 提供，为了 严谨，该单人 在之前 的预训练阶段 没有 利用过。
然后 再修改一下分辨率 256→288dfud。提高到288. bs开16. 随机扭曲 继续跑。

修改后，如果随机扭曲 训练 需要大量 迭代 出 上牙齿和 下牙齿，说明 信息呈递失败，预训练的信息很难给正训。如果 较快 出 上牙齿说成功，说明 信息呈递成功，较容易呈递给正训随机扭曲。
结果发现，全程随机扭曲下，累计大约 3w 迭代 第二列 开始出 部分下牙齿。
讨论：
    训练 部分下牙齿的难易程度。
预训练 大约8w  20倍以上较难 ＞ 预训练转正训修改分辨率288随机扭曲 大约3w  10倍适中＞ 修改模型分辨率 3000 左右 最易
   对比发现，预训练阶段 已经炼制出 下牙齿等细节后（8w-17w 部分下牙齿 ）此步为最困难的部分。转为 正训 随机扭曲修改分辨率288 细节的形成（第二列 3w 开始出 部分下牙齿）只需要不到预训练的一半迭代。说明预训练model 中 已经炼制的细节 如预训练炼制的下牙齿 可以 呈递给 正训随机扭曲修改分辨率288使用。




注，256 预训练 转正训并修改分辨率288，随机扭曲是 288进行。。


=====================================
6.15  测试 修改模型分辨率 实验。把256dfud→352dfud
很多人做模型训练往往根据自己显卡 选一个大分辨率模型。靠迭代靠时间。但是一旦某个 环节出错。可能需要从中间回到之前的备份。
以往的稳妥的经验是 先用一个小分辨率模型 进行 预实验。打磨一套 训练 所用的 素材 ，训练思路，训练步骤等。之后 再从零 训练一个 大分辨率模型。
但也一共 要炼制 至少一个小的分辨率，一个大分辨率， 2个模型。
现在有一种新的实验性的练法。先用小分辨率 打磨，大概完成 基本任务后，然后 实验性的 修改一下模型分辨率。完成 模型的升级。
既能 避免了 大分辨率 模型 单一挂机导致失败对时间的浪费的缺陷（小分辨率模型练废了也不心疼，从头再来也很快）。同时，小分辨率模型炼制 快的优点，非常高效的 筛选 model 训练效果好的 合适的素材。
具体做法。先炼制小分辨率模型。基本要求 256dfud 下 预览图能看到炼制出 依次 上牙齿，下牙齿 和人脸的特征比如斑块等。
之后，实验性的 修改 分辨率。如 256→改为 352.
继续训练。观察 是否快速 依次炼制出 上牙齿 ，下牙齿 等细节。
如果 需要 跟 原始 256dfud 类似的迭代 说明修改分辨率失败。如果 要表现 比原始256 要快的多，说明 实验修改分辨率获得成功。
结果：bs16，相同素材，相同参数下。大约 2000 迭代 得到 原始256 6w左右的 上牙齿。大约3000-5000迭代 大约得到 原始256的 8w 以上才陆续 出现的 部分下牙齿。
讨论：实验性的 修改 模型分辨率 是可以成功的。修改后的模型可以继承原始256dfud下炼制好的信息（256已经炼制好了 上下牙齿，即改为352很容易得到 上下牙齿 细节），从而极大提高了 352等大分辨率模型训练效率，很有意义的。
256等小分辨率模型也是一个很不错的试金石。很多人  别人的256等小分辨率左右的优质丹，该丹之前别人的高质量丹 喂养（有优质下牙齿），但是你用你的src 练练 基本没 下牙齿  信息呈递效率就会大打折扣。 甚至 练练 越练越糊了。该重新 审视src，暂停训练，改为 提高 src质量等措施。
该256 使用高质量素材，也有概率 成为一个 成长性的 基础丹model。越训练信息呈递的效率高。
比如 17w 256得到的 下牙齿 后就想转成高分辨率352分支丹实用丹model A，完全可以做到 换脸 很容易得到 下牙齿，又能比256更清晰的效果（352比 256 对近景又优势）；
还想对256再打磨打磨，比如 在已有基础上 得到 多道嘴唇纹理。假设 若干迭代（几十w）后训练完成该嘴唇训练。再次 转成 高分辨率352分支丹 model B、。完全可以做到 既 换脸容易 得到 下牙齿+嘴唇纹理，又 能比256更清晰。
形成 以 256ddfud 小分辨率为基础，多个 352等大分辨率 分支 实用丹 model A model B，灵活运用的局面。


（注，256→ 416 甚至更高，修改的越高 需要 搜集的素材质量越高）


如下图。修改后 352dfud 丹，大约3000迭代 部分图片 出现 下牙齿细节



5000 迭代 352dfud 下牙齿，效果较好了。甚至 眼珠 细节都很精细，说明352细节好于256。
注意 第二行 睫毛 细节较差。原始256 没有炼制出来睫毛。因而 该睫毛没有得到呈递。

================
6.12 原版 从零训练是非常麻烦的事。
近期做了预实验。新建了一个 小分辨率 256dfud 384 高参模型 从零训练对这个新版做测试。
结果发现 很快就出较好细节（bs24 大约 12w）。
讨论：原版 从零训练占用显存大。为了利用显存，对模型设计要有取舍。如果设计分辨率和四维大，就不能开 高的bs。想开高的bs，只能降低四维。这两个侧重都会导致训练效果弱或慢。
使用这个新版 能开较大的 四维 同时 兼顾开很大的 bs。
参数看 256 dfud 384 96 96 28 设置远高于 256dfud 256 64 64 22 。384 96 为较高参数，有助于学习到更多的细节； bs 24 为较高 bs，有助于 收敛。
这两点可能对 从零训练 模型，非常友好。


预训练阶段，开启预训练，开启 自动调整学习率。（全程关闭 lrd /Lr_dropout.  ）
这个是自动调整学习开启后，截图会是动态的，如 下图。








预实验  从零训练模型 目前跑了12w ，当时参数设定如下。



细节方面。
6w-7w左右
部分图片出上牙齿。




8w-9w 细节越来越多。
人脸 黑斑 暂时没有练出
人脸 部分图片的下牙齿 有4道齿缝





12w 人脸的左侧的黑斑已经隐约出现。





12w
细节方面。第二行 下牙齿齿缝已经部分出现.
纹理方面。纹理学习也较快。第二行图片 人脸腮部褶皱纹理也 逐步出现人脸褶皱。



12w。局部光影方面， 人脸是正常光影 右下腮部是紫色，此处也慢慢学习紫色光影





6.30-7.5 30w-38w迭代 隐约 出现睫毛 并对睫毛进行讨论


38w,正脸 睁眼镜头，隐约出1道 睫毛。



32w 发现 睫毛 眼角部位 出现 更多 细节
第一张 微微侧脸 部分 眼角睫毛已经比较清晰


第二张 微微侧脸 部分 眼角 略小睫毛 也开始出现

第三张 较大角度的侧脸  眼角睫毛开始出现

第四张 第二行 略正脸的 眼角睫毛 相对 较慢。





30w迭代 细节方面。
第1张图 仰角 部分 隐约出现了2道睫毛 痕迹。


第2张截图第二行 眼角的睫毛1道 隐约出现.




第3张 训练截图。一共五列，只截图了第三列 第四列和第五列。
该图 第四列 第五列 的闭眼 左眼上  隐约出 1道 睫毛痕迹。

讨论：
这张闭眼图很有意思，肉眼感知不到明显睫毛，却在 第四列 第五列 练了一根睫毛出来。
实际上 对素材 原图 局部放大，发现 原图睫毛非常清晰，有着  松散不一的睫毛 （训练开启过 翻转训练，训练时候截图为左眼）。
而练出的就是 其中最明显的一根睫毛。
猜测是对素材进行了压缩后，256分辨率下 预览图下 肉眼几乎感知不到这些松散不一的睫毛。但是软件感知能力是略 大于肉眼能力的。软件至少感知到并训练了那根 最明显的睫毛。








预训练阶段
6w 部分上牙齿 ；8w 小部分4道下牙齿 但黑斑没有出现；12w 部分 下牙齿出现， 人脸黑斑部分出现。
30w-38w 睫毛 隐约出现  1-2道 。

=================
感谢大佬，节日快乐.
已经在使用。比上一个 版本提升巨大。

今天测试发现，一个 相同训练参数model，bs16 上个版本需要14.6G显存；新版 Torch 显存需要4.5G 。显存大约不到之前的 1/3.
bs 64 也只占了 9.0G 显存，是bs上限提高到了4倍 是很轻松的，确实厉害！
理论上，使用新版Torch，可开更大的模型，开更大的bs。




（新版Torch多了人脸模型 支持混合精度 和人脸模型 支持梯度检查点）




旧版bs16  ； 新版 能开 bs 64 让bs上限提高到了4倍  ，此时显存还有剩余，理论上可以开更高。显存占用如图


切脸速度也很快。确实很强大。

wtxx8888

紧急修正Torch版本，T参数模型，推理层转换不全的问题。已经下载的，解压下面的补丁，覆盖即可。
没下载过的，正常下载，压缩包 更新修正了  此问题。
DeepFaceLab.rar (112.02 KB, 下载次数: 25)

2026-6-2 05:32 上传

点击文件名下载附件

DML版本，是影响的DFM导出，已经下载的，下载补丁。
DeepFaceLab.zip (170.77 KB, 下载次数: 13)

2026-6-2 06:34 上传

点击文件名下载附件

wtxx8888

有空就顶一下。

wtxx8888

hong100jian 发表于 2026-6-2 18:13
夸克还没好吗，我再等等

取消了夸克。

毕加索

谢谢大佬~~大佬节日快乐！！！

july

大佬V5

1529885944

神中神，大佬牛逼，ME合体版居然更新了

ikon

大佬长命百岁！福寿无疆

1529885944

怎么感觉不如20250128那个版本

wtxx8888

1529885944 发表于 2026-6-1 13:39
怎么感觉不如20250128那个版本

不大可能吧？我都换了，以前的 哪能跟 现在的比？
我能发，就是自己 现在用的。各方面，都超越 去年的。
上个版本，只能开BS 12的模型，现在版本，哪怕不捐赠，也能轻松开到BS 16(Torch版)。
现在的版本，不再需要，老崩溃的 Machine Video Editor。

xsfxc

*XSEG模型 需要重新训练,大佬啊，这一搞镇坛之宝不是要废？

wtxx8888

xsfxc 发表于 2026-6-2 00:22
*XSEG模型 需要重新训练,大佬啊，这一搞镇坛之宝不是要废？

DML可以继续用256，Torch必须重练，猫的 不也是 要重练？
Torch的XSEG，比原版  多6个推理层（算子的算法，也有差异），这是无解的。
直接用，遮罩不对！你如果能承受，跟涂抹似的花脸，那可以 接着用。）
（办法：可以用原版 或DML版写入256，训练人脸模型时 ，读的写入数据，是没问题的。）