AiDrawHypernetwork
Hypernetworks 是一种新颖的概念，用于在不触及任何权重的情况下微调模型。
此项技术被广泛用于画风模仿中，和 Textual Inversion 相比，泛化效果更好。
这个页面主要是为你实际操作提供一份指南。
如果你在寻找一些更加详细深入的 Hypernetwork 说明，请看 这篇社区贴文.
关于 VAE
据说 VAE 会破坏训练结果。
在设置内勾选 Move VAE and CLIP to RAM when training hypernetwork. Saves VRAM. 的效果是将 VAE 模型从显存转移到内存，而非卸载，
如需卸载，请重命名。
在 Train 选项卡下可以训练 Hypernetworks，训练方式与 Textual Inversion 相同。
预处理训练集
与训练人物不同，训练超网络并不需要在意背景是否干净或者主体是否突出，虽然训练素材越多效果越好，但是请注意以下信息
- 画风固定，譬如抛弃画师早期作品
- 去除文字或水印
- 分辨率不要过小
裁切处理
目前 WebUI 已经集成了图像预处理功能，可以自动裁切缩放图片。
如果你需要确保画面主体明确，推荐自己手动裁切来保证主体在画面中心。可以使用例如 批量裁切工具 之类的辅助工具。
因为是风格训练，并不用担心训练主体是否非对称等问题，所以推荐打开图像翻转来倍增数据集，提升训练效果。
贴标签
如果你还没有打标签，可以勾选 Using deepbooru for caption ，来让 deepbooru 自动生成标签。
如果你想手动打标签，推荐使用 GUI 贴标签工具。
参数
注意，应该使用非常低的学习率，例如 0.000005 或 0.0000005.
如果学习率是 5e-6，步数大约 10000 到 20000。见 学习率计算器 (来自 Discussion #2670)
分辨率设置为要训练的分辨率，最好使用 1:1 的纵横比。
如果数据集的图片不是方形的，请勾选 Split oversized images into two
如果你还没有打标签，可以勾选 Using deepbooru for caption ，来让 deepbooru 识别标签。
网络层结构
关于超网层结构，你可以简单理解成一个微型神经网络，譬如这个默认结构 1, 2, 1 代表该网络由两个中间维度为 2x 的全连接层组成，左右两个 1 分别是输入与输出，2 是中间层。
超网结构有两种设计方向，分别是更宽或是更深。
更宽的超网更加开朗，适合用于认识一些新事物，譬如 1, 4, 1 这种就属于宽超网。
更深的超网更加社恐，更加适合归纳总结数据，简单讲就是对画风之类的学习效果更加好，譬如 1, 1.5, 1.5, 1.5, 1 就是深超网。
另外，请注意，将超网数字加和就是这个超网的数据量，量越大，训练出来的超网文件就越大。1, 2, 1 的 pt 文件大概是 83.8 MB，1, 2, 2, 1 大概是 167 MB。如果要扩展的话，一定要注意盘空间是否足够，否则很容易爆盘。
在超网结构设计里需要注意的另一点就是，请让你的设计看起来更像是沙漏而不是水桶，一个 1, 2, 3, 2, 1 的超网可能最终效果还不如一个 1, 2, 2, 2, 1 的超网。
另外一点就是，和 1, 3, 1 相比，1, 1.5, 1.5, 1 虽然它们总量是一样的，但是后者有着更深的网络层级，在画风训练上可能更具优势
如果你期望选用更加激进的方案可以试试 1, 0.75, 0.5, 0.5, 0.5, 0.75, 1 这样的结构，虽然它和 1, 3, 1 总量是一样的，但是它深度更大。
层标准化 Layer Normalization
如果勾选，则在每个完全连接层之后添加标准化处理。
作用是防止超网络过拟合，使训练更加稳定。
LN 对防止过拟合使训练更加稳定是有意义的，但是根据之前的测试，linear 开启 LN 的情况，可能学不进去东西，出空包弹。使用激活函数后，LN现在是可使用的。
Swish 似乎并不需要开启 LN，因为 Swish 的训练速度慢，所以应该使用更高的学习率。
Dropout
启用 Dropout 可以防止超网络过拟合，目前不支持自定义 Dropout 比率，默认为 0.3
在 1, 2, 1 的层结构上，dropout 可能只会对小数据集有帮助。
激活函数 Activation Functions
激活函数对输入进行非线性变换，使其能够学习和执行更复杂的任务，深层神经网络表达能力更加强大。
支持 ReLU、LeakyReLU 和 Linear。选择 Linear (线性) 的效果和没有激活函数一样。
Swish 对比 ReLU 和 Linear 要更好，Swish 适合更大的网络，而 ReLU 可能对 1, 2, 1 的超网络带来更好的结果。
激活函数是神经网络中非线性的来源。如果去掉激活函数，神经网络的权重和偏差只会进行线性变换（不管神经网络有多少层，线性运算的复合还是线性运算的），最终的效果只相当于单层的线性模型。
hypernet对比图, the woman in picture is 24 years old
额外注意
在开启 LN 选用激活函数并开启 Dropout 后，超网络没以前那么容易过拟合，但是可能需要更大的学习率进行学习。