1、训练总数：建议50张图片数据集深度训练15000次左右，更大数据集可以用Dadaptation优化器测试最佳总步数。

2、训练轮次：建议10-15次预设，每个图片建议单轮训练20-30次。

3、训练分辨率：建议是768x1024，可以根据电脑显存来进行调整。

4、训练源模型：建议chilloutmix_Niprundefp32fix，1.5模型。

5、Text Encoder learning rate （文本编码器学习率）：主要影响了鲁棒性，乏化性和拟合度，过低不利于更换特征。

6、Unet learning rate（Unet学习率）：主要是影响了模型像与不像，影响了lost率和拟合度，不拟合加大，过拟合减小。

7、文本编码器学习率和Unet学习率的关系：没有必然的1/5~~1/10倍率关系、庞大数据集下Unet甚至可以低过text。

8、Network Rank（dimension）（网络大小）：强化训练细节，建议128-192,128以上增加提升相对不明显。

9、Network Alpha（网络alpha）：建议96以上，弱化训练细节，有正则化效果，可以与dim同步增加。

10、让AI训练AI：首发训练采用Dadaption，所有学习率均设为1.

11、手动训练方法：建议用AadmW优化器，可以通过调整学习率获得很像与易用性的平衡。

12、lost率控制：不是越低越好，越低模型越拟合，但是模型也越难更换特征，甚至会影响动作和表情。

13、lion优化器：不建议用在深度训练中，太快拟合虽然能很像，但是造成图片泛用性差。

14、本地深度训练方法：可以用远程操作软件监控，训练过程中发现学习率不合适可以远程操作修改。