LoRA微调Stable Diffusion前必须替换Linear和Conv2d层,因PyTorch无原生支持,需用nn.Module子类注入lora_A、lora_B;仅替换attn1/attn2下Linear层(约16个)及conv_in/conv_out/mid_block中Conv2d,rank设4或8、alpha与rank一致,键名须严格映射,禁用torch.compile以防梯度中断,验证标志是lora_A.grad与lora_B.grad非零。

LoRA微调Stable Diffusion前,必须替换掉Linear和Conv2d层
PyTorch本身不提供LoRA原生支持,Stable Diffusion的UNet和Text Encoder里大量使用Linear(如to_q、to_k)和Conv2d(如conv_in),直接在forward里插权重会破坏原有计算图。正确做法是用nn.Module子类替换原始层,并在__init__中注入lora_A、lora_B两个低秩矩阵。
常见错误:只对Linear加LoRA却忽略Conv2d——SD的cross-attention后接的Conv2d(比如proj_out)同样影响生成质量,漏掉会导致微调失效。
- 推荐只替换UNet中
attn1(self-attention)和attn2(cross-attention)子模块下的Linear层,共约16个(SD 1.5) -
Conv2d仅需处理conv_in、conv_out和mid_block里的conv,避免炸显存 - LoRA rank设为4或8,alpha保持与rank一致(即
alpha/rank == 1),否则训练不稳定
加载预训练LoRA权重时,state_dict键名必须严格匹配UNet路径
LoRA权重通常保存为lora_unet_down_blocks_0_attentions_0_transformer_blocks_0_attn1_to_q.lora_up.weight这类长键名。但Stable Diffusion的UNet在diffusers库中是动态构建的,实际named_modules()返回的路径可能含transformer_blocks或attentions层级差异,导致load_state_dict(..., strict=False)仍报Unexpected key。
解决办法不是改模型结构,而是重映射键名:
立即学习“Python免费学习笔记(深入)”;
FastMCP 是构建 Model Context Protocol 服务器、客户端和应用程序的标准 Python 框架。它提供自动模式生成、传输协商和协议生命周期管理,使开发人员能够用最少的样板代码将 Python 函数包装成符合 MCP 标准的工具。
- 用
unet.named_modules()遍历所有子模块,记录每个Linear/Conv2d的完整路径(如down_blocks.0.attentions.0.transformer_blocks.0.attn1.to_q) - 将LoRA权重文件中的键按规则替换:
lora_unet_→,.lora_down.weight→.lora_A.weight,.lora_up.weight→.lora_B.weight - 确保
requires_grad=True只设在LoRA参数上,原始UNet权重.requires_grad = False
训练时torch.compile会破坏LoRA的梯度传播
启用torch.compile(model, mode="reduce-overhead")看似能加速,但LoRA的lora_A和lora_B是独立参数,在编译后可能被优化掉或梯度未正确回传到这两个小矩阵,表现为loss不下降、生成图像无变化。
这不是bug,而是torch.compile当前对动态参数注入的支持有限。实测SD LoRA微调中,关闭编译后loss下降更稳定,尤其在batch size=1时。
- 显存占用差异不大(
compile省约0.2GB),但训练稳定性更重要 - 若坚持用
compile,需手动将LoRA模块标记为torch._dynamo.config.suppress_errors = True并捕获fallback警告 - 更稳妥的做法:只对UNet主干启用
compile,把LoRA层单独包装成nn.Sequential并排除在外
推理阶段unet.set_adapter不生效?检查peft版本和diffusers兼容性
很多人用peft==0.10.0 + diffusers==0.26.3时调用unet.set_adapter("default")无反应,生成结果和基线一致。根本原因是diffusers的UNet2DConditionModel未集成peft的set_adapter钩子逻辑,该方法只对peft.AutoPeftModel有效。
绕过方式不是升级库,而是手动注入:
- 训练完后,用
peft.get_peft_model_state_dict(unet)导出LoRA权重 - 推理时,先用
unet.load_state_dict(lora_state_dict, strict=False),再调用unet.eval() - 若需多LoRA切换,用
torch.nn.utils.parametrize.register_parametrization动态绑定lora_A @ lora_B到目标层权重,比adapter机制更可控
LoRA真正起效的标志不是参数加载成功,而是unet.conv_in.weight的梯度在backward后,其lora_A.grad和lora_B.grad非零——这点容易被忽略,但它是验证整个链路是否打通的最简证据。

















