在AI绘画的圈子里，LoRA（Low-Rank Adaptation）已经成了一个绕不开的词。你可能会发现，社区里那些让人眼前一亮的作品——无论是复古水彩、赛博朋克，还是某位插画师的独特笔触——很多都离不开一个精心训练的LoRA模型。如果说Checkpoint大模型决定了AI"画什么水平"，那LoRA就是教它"画出什么味道"。
前几讲我们聊过LoRA的基础用法，也讲过如何用现成的风格LoRA出图。但真正的乐趣，其实在于亲手训练一个属于自己的风格LoRA——让AI学会你喜欢的画风，无论是模仿某位艺术大师，还是复刻你自己独特的视觉语言。这一讲，我们就从零开始，把风格LoRA训练的每一步掰开揉碎讲清楚。
一、为什么是LoRA？——风格迁移的最优解
1.1 LoRA的核心原理：小参数撬动大变化
要理解风格LoRA，首先得明白它"凭什么能行"。LoRA最早是在大语言模型微调中被提出的，后来被引入Stable Diffusion等图像生成模型[reference:0]。它的核心思想非常巧妙：不改变大模型原有的庞大权重矩阵，而是在关键层（比如注意力模块的QKV投影）旁边添加一对小型可训练矩阵[reference:1]。
用通俗的话说：大模型已经学会了"如何画画"，我们不需要重写它的全部知识，只需要在它耳边悄悄说几句"偏好"——LoRA就是这几句"悄悄话"。在Stable Diffusion的U-Net中，注意力层的投影矩阵通常是768×768，全量微调要优化超过50万个参数；而使用LoRA并设置rank=8，则只需训练两个小矩阵（768×8和8×768），总共约1.2万个参数——不到原来的2.5