新版 DeepFaceLab PyTorch 训练器高级教程

風水先生

新版 DeepFaceLab PyTorch 训练器高级教程
仅供参考, 并不是标准的训练方法,
附件没法设置灵石了
新版 DeepFaceLab PyTorch 训练器高级教程-20250803.pdf (327.32 KB)

5 天前 上传

点击文件名下载附件

discord导出一年的聊天记录,然后使用chatgpt 分析的聊天记录
频道连接   https://discord.com/channels/730623345288151060/730623345288151065

基于对两个Discord聊天记录的分析，chatgpt 总结JesterX关于DFL模型训练的完整步骤和方法论：

  JesterX的DFL模型训练步骤总结

  一、训练前准备阶段

  1. 数据预处理

  - 运动模糊处理： 训练前移除运动模糊，网络难以匹配模糊效果
  - 样本质量评估： 以输入输出mask差异作为质量标准
  - 数据增强： 使用DFL-MVE版本的额外增强功能（颜色、阴影等）

  2. 平台选择建议

  - 推荐PyTorch版本： 提供更容易的层冻结操作
  - 性能优势： PyTorch版本速度提升超过2倍（200ms vs 450ms/iteration）
  - 操作便利性： 更直观的编码器/解码器管理

  二、渐进式训练流程（Progressive Training）

  1. 分辨率递增策略

  低分辨率训练 → 中等分辨率 → 高分辨率
  128 → 256 → 512 (以Spock模型为例)

  2. Growth Stage训练步骤

  阶段-1（初始低分辨率）：
  - 启用Random Warp进行基础训练
  - 建立基本的面部特征识别
  - 训练到损失不再下降

  阶段0（标准分辨率）：
  - 从锁定旧层开始训练
  - 当面部效果达到预期时解锁层
  - 继续训练直到收敛

  阶段+1（高分辨率）：
  - 再次从锁定旧层开始
  - 专注于细节和微细节训练
  - 最终解锁进行精细调优

  三、编码器锁定/解锁的精确时机

  1. 何时锁定编码器

  Random Warp关闭时：
  - RW OFF使数据集对编码器变得"太简单"
  - 可能导致相似度下降
  - 建议监控相似度，下降时立即锁定

  Growth Stage转换时：
  - 每次增长阶段都从锁定旧层开始
  - 保持已训练好的特征不被破坏
  - 如果之前在RW OFF下训练，增长时也要RW OFF

  训练稳定性需要时：
  - AMP模型中inters始终保持锁定
  - 防止模型在关键阶段崩溃

  2. 何时解锁编码器

  面部效果良好时：
  - 当生成的面部看起来不错时解锁
  - 通常不解锁inters（中间层）
  - 可以选择性解锁特定blocks

  需要学习细节时：
  - 缺少高层次细节时可以解锁更多层
  - 或者解锁所有层（除了inters）

  四、不同架构的特定训练步骤

  1. AMP模型训练

  1. 初始训练（inters保持锁定）
  2. 编码器和解码器同步训练
  3. 关键时刻锁定编码器
  4. 最终阶段：RW OFF → LRD → GAN

  2. SAEHD与AMP互换

  - PyTorch版本支持中间层交换
  - 可以在训练过程中切换架构
  - 编码器和解码器可以跨架构复用

  五、训练阶段转换的关键节点

  1. Random Warp管理

  RW ON (基础训练) → RW OFF (精细调优) → 锁定编码器

  2. LRD（学习率衰减）应用

  - RW OFF后启用LRD
  - 保持编码器锁定状态
  - 更新30%权重并随机化学习率

  3. GAN训练

  RW OFF一段时间 → 启用GAN → 保持编码器锁定

  六、高级训练技巧

  1. 实验性方法

  中间层定期删除：
  - chervonij建议的方法
  - 目标：提升相似度
  - 需要根据具体情况测试效果

  GAN中间层应用：
  - Pagi方法在中间层应用GAN
  - 实验阶段，需要进一步验证

  2. 模型保护策略

  Float16 vs BF16：
  - 早期使用BF16保证稳定性
  - RW OFF后可切换到FP16获得精度
  - 避免同时关闭RW和切换精度

  备份节点：
  - 每个关键阶段都要备份
  - 编码器锁定/解锁前后保存
  - 防止模型崩溃导致训练失败

  七、训练监控和调整

  1. 关键监控指标

  - 相似度(Likeness)： 主要质量指标
  - 损失收敛： 判断是否切换阶段
  - 样本质量： 输入输出mask差异

  2. 调整时机

  监控相似度 → 发现下降 → 锁定编码器 → 继续观察 → 适时解锁

  八、JesterX的核心训练哲学

  1. 渐进式方法： 从低分辨率逐步提升，提高训练效率
  2. 精细控制： 利用PyTorch的优势进行精确的层管理
  3. 实验探索： 持续尝试新的训练策略和架构改进
  4. 稳定性优先： 通过备份和监控确保训练过程的稳定性
  5. 社区协作： 鼓励社区参与测试和改进训练方法

  这套训练方法体现了JesterX作为DFL-MVE项目核心开发者的深度技术理解和实践经验，为高质量深度学习换脸模型的训练提供了
  系统性的指导框架。


Growth Stage 冻结/解冻策略

  第一阶段：低分辨率基础训练（128px）

  时机：训练初期
  - 不冻结：所有层都参与训练
  - 目标：建立基础特征表示

  第二阶段：低分辨率稳定期

  时机：低分辨率训练收敛后
  - 冻结：
    - Encoder（编码器）
    - Decoder（解码器）
  - 继续训练：中间层和特征提取层
  - 原因：JesterX提到"we can freeze decoder and encoder"

  第三阶段：分辨率提升期（128→256→512）

  时机：每次分辨率提升时
  - 保持冻结：
    - 已稳定的Encoder/Decoder层
  - 解冻：
    - 需要适应新分辨率的层
    - SAEHD和AMP的intermediate layers
  - 策略：JesterX提到"swap saehd and amp intermediate layers"

  第四阶段：高分辨率精细化

  时机：达到目标分辨率后
  - 选择性解冻：
    - 根据训练效果决定解冻哪些层
    - 可能解冻部分Encoder/Decoder进行微调
  - 动态调整：根据loss变化调整冻结策略

guozhixin86

先点个赞，下载了，我感觉以后肯定能用得着啊