Przejdź do treści
promptowy.com / AI-ordbog / LoRA (Low-Rank Adaptation)
Modeller og træning

LoRA (Low-Rank Adaptation)

LoRA er en effektiv metode til at finjustere AI-modeller ved kun at træne et lille ekstra lag parametre frem for at ændre hele grundmodellen.

LoRA står for Low-Rank Adaptation og er en metode til målrettet tilpasning af kunstig intelligens, hvor man træner et lille sæt ekstra parametre i stedet for at ændre hele den oprindelige model. Grundmodellen holdes fastfrosset, mens et letvægtslag, kaldet en adapter, lærer nye mønstre, en særlig visuel stil eller en faglig sprogbrug.

Metoden er blevet en standard inden for både billedgenerering og sprogmodeller, fordi den gør det muligt at opnå præcise resultater uden behov for enorme serverklynger. Samtidig er det vigtigt at bemærke en udbredt forveksling: LoRA inden for kunstig intelligens har intet at gøre med radiostandarden LoRa eller netværksprotokollen LoRaWAN, som anvendes til trådløse sensorer og tingenes internet. Navnesammenfaldet dækker over to fuldstændig adskilte verdener.

Hvad en LoRA-adapter gør, og hvad den kræver

En LoRA-fil fungerer som et tillæg til en eksisterende grundmodel. Man kan ikke køre adapteren alene, ligesom man heller ikke kan bruge en adapter trænet til én specifik modelfamilie oven på en helt anden grundmodel. Begge dele skal passe sammen for at fungere.

I selve beregningen tilføjes to mindre matematiske matricer med lav rang, som tilsammen justerer modellens opførsel under kørsel. For brugeren betyder det i praksis, at filstørrelsen bliver brøkdele af en fuld model. En adapter kan lære alt fra et bestemt snit i en tekst til udseendet af et konkret produkt eller en kunstners karakteristiske penselstrøg. Selvom metoden sparer regnekraft, fjerner den ikke kravet om gode data og omhyggelig opsætning under træningen.

Et konkret eksempel: Grafisk identitet til en dansk virksomhed

Forestil dig en illustrator i Aarhus, der udvikler visuelt materiale til en række lokale bagerier eller en fynsk frugtplantage. Målet er at skabe en lang række billeder af brød, marmeladeglas, caféborde og høstscener, som alle skal have nøjagtig samme akvarelpræg, papirtekstur og dæmpede nordiske farvetone.

I stedet for at beskrive hele stilen i lange tekstprompts hver eneste gang, kan illustratoren træne en LoRA-adapter på et lille, kurateret udvalg af egne illustrationer. Når adapteren aktiveres sammen med grundmodellen, styrer den æstetikken, mens prompten blot beskriver scenens indhold, for eksempel et surdejsbrød på et træbord i morgensol. Adapteren garanterer ikke automatisk perfektion i alle hjørner, men den sikrer en rød tråd i udtrykket.

Sådan tester du en LoRA i praksis

Når du henter eller opretter en LoRA-adapter til billeder, bør du altid afprøve den systematisk for at undgå uventede resultater:

  1. Læs dokumentationen: Undersøg hvilken grundmodel adapteren er bygget til, og om der kræves et specifikt aktiveringsord i din prompt for at udløse effekten.
  2. Lav et neutralt referencebillede: Generer først et billede helt uden LoRA. Gem din prompt, tilfældighedsværdien (seed), billedopløsningen og andre indstillinger, så du har et fast sammenligningsgrundlag.
  3. Juster styrken gradvist: De fleste programmer lader dig vælge en vægt eller styrke, ofte mellem 0 og 1. Start med en lavere værdi som 0,5 eller 0,7 i stedet for at skrue helt op til maksimum med det samme. For høj vægt kan forvrænge motivet og ødelægge anatomi eller detaljer.
  4. Prøv nye og varierede motiver: En god adapter skal kunne overføre stilen til motiver, den ikke har set før. Hvis en adapter til bagværk kun fungerer på et helt rundt rugbrød, men fejler på et kaffekrus eller en bagerjomfru, er den sandsynligvis overtrænet.

Hvornår giver det mening at træne sin egen adapter?

Det er oplagt at træne en LoRA, når du har en tilbagevendende opgave, et ensartet formål og adgang til egnede træningsdata af høj kvalitet, som du har rettighederne til at anvende. Et par tilfældige fotos i dårlig belysning giver sjældent et brugbart resultat. Træningsmaterialet skal vise det ønskede motiv eller udtryk fra forskellige vinkler og med varierende baggrunde, så modellen lærer det væsentlige særpræg uden at låse sig fast på baggrundsstøj.

Sådan indstiller du det i Midjourney, FLUX, Ideogram, GPT Image og ComfyUI, med før- og efterbilleder: LoRA-styrke (LoRA weight) i parameteroversigten

Ofte stillede spørgsmål

Hvad betyder forkortelsen LoRA i AI?

LoRA står for Low-Rank Adaptation og dækker over en teknik, hvor man tilføjer et lille, specialtrænet lag af parametre til en fastfrosset grundmodel for at ændre dens adfærd hurtigt og ressourcebesparende.

Hvad er forskellen på LoRA og almindelig finjustering?

Ved traditionel fuld finjustering opdateres alle modellens vægte, hvilket kræver meget hukommelse og skaber enorme filer. LoRA ændrer kun to små hjælpe-matricer, hvilket gør træningen hurtigere og filerne langt mindre.

Kan jeg bruge en LoRA-fil på enhver billedgenerator?

Nej. En LoRA-adapter er altid trænet direkte på en specifik grundmodel og fungerer udelukkende sammen med den modelfamilie, den er designet til.

Er LoRA i AI det samme som trådløs LoRa?

Nej, det er en ren navneforveksling. LoRA i kunstig intelligens er en softwaremetode til maskinlæring, mens LoRa med lille r er en radioteknologi til trådløs datakommunikation over lange afstande.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›