企业官网建设流程全解析

如何用 AMD 显卡训练 AI 绘画模型：kohya_ss 与 ROCm 完整实战指南

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss

很多人以为 AMD 显卡只能打游戏，跑 AI 训练是 NVIDIA 的专属领地。其实这套组合拳已经打通了：kohya_ss是一个开源的 Stable Diffusion 训练工具（带图形界面），而ROCm是 AMD 为自家 GPU 打造的计算软件栈（可以理解为 AMD 版的 CUDA）。两者配合，你就能用自己的 RX 系列显卡，低成本地训练 LoRA、微调模型，让 Stable Diffusion 学会你想要的画风或角色。

快速上手：从装驱动到打开界面

走完这一节，你就能在自己机器上打开一个可训练 Stable Diffusion 的图形界面，离跑通第一次训练只差一张数据集。

先确认你的硬件底子：一块 RX 6000/7000 系列的显卡（16GB 显存更从容）、Ubuntu 22.04、32GB 内存。

第一步：装好 ROCm 驱动只需三步。装好驱动后，你的显卡才对 Python 生态"可见"：

sudo apt update sudo apt install rocm-hip-sdk sudo usermod -a -G video $USER # 把当前用户加入 video 组，改完注销重登生效

装完后运行rocminfo，能打印出你的 GPU 型号，就说明驱动 OK 了。

第二步：拉取代码。kohya_ss 提供了 ROCm 专用的依赖清单 requirements_linux_rocm.txt，里面锁定的是torch==2.7.1+rocm6.3这类 AMD 专属编译包，普通pip install torch装到的 CUDA 版在 AMD 卡上是跑不起来的。

git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss

--recursive别漏，它负责拉取训练脚本等子模块。

第三步：一条命令装环境 + 启动界面。setup.sh脚本会自动检测 ROCm，如果装过驱动（能发现rocminfo）就直接走 ROCm 依赖，你也可以显式指定：

./setup.sh --use-rocm # 按 AMD GPU 安装依赖 ./gui.sh # 启动训练图形界面

界面起来后，浏览器里就是一个填参数、点按钮的训练控制台，后面所有调优都在里面完成。

原理拆解： kohya_ss 是怎么帮你省事的

读完这一节，你会明白这个工具里那些"看不见的旋钮"各自在管什么，调参时不再靠猜。

一句话理解 LoRA：它不是重训整个大模型，而是给模型"贴一层薄薄的补丁"，用 1% 左右的参数量教会模型一个新概念，省卡又省时。这也是为什么它成了 AMD 卡上的主力玩法。

GUI 只是翻译官，真正的活儿是 kohya_gui/ 里一堆模块生成的命令行指令。比如 kohya_gui/lora_gui.py 把你点选的维度、学习率翻译成底层训练脚本能懂的参数——所以你不用背命令，填表就行。

显存的两个生活化旋钮（对应 config example.toml 里的设置）：

• 缓存潜变量（cache_latents = true）：就像提前把菜洗好切好放冰箱，训练时不用每次重新读图，显存换时间。
• 梯度检查点（gradient_checkpointing）：好比记账时不抄全账本、需要时重算一遍——多用一点计算，换回一大块显存，是 AMD 卡上防爆显存的常客。

精度与优化器：mixed_precision = "fp16"让模型用半精度跑，显存直接砍半；optimizer = "AdamW8bit"再把优化器状态压到 8 位，进一步给显存减负。AMD 卡上不推荐 xformers，开启mem_eff_attn = true（内存高效注意力）即可。


上面这张来自仓库自带的测试数据集 test/img/，配套的 .txt 标注文件就是训练时的"教材注释"

实战调优：跑通第一个 LoRA 再逐步提速

这一节是一条完整路径：先跑通，再提速。跟着走，你能得到一个风格化的 LoRA 权重文件。

准备数据：按"图片 + 同名 .txt 标注"组织成文件夹，比如dataset/concept1/下放 20-50 张图。懒得手写标注？仓库提供了 BLIP 自动标注入口（见 kohya_gui/blip_caption_gui.py），批量生成描述文件，省掉手工活。

填参数并开训：在 LoRA 选项卡里，新手记住这几个默认值就够起步——network_dim=32、network_alpha=16、学习率1e-4、batch size 按显存定（16GB 卡建议 2-4 起步）。点开始，界面会把参数存进配置文件并自动执行训练。

这是 test/masked_loss/ 里的掩码示例：白色区域告诉模型"重点学这里"，属于进阶玩法

跑起来之后按这个顺序提速：

1. 爆显存→ 先开梯度检查点，再开潜变量缓存，还不够就把 batch size 降到 1，同时把gradient_accumulation_steps调到 2-4 模拟大批量；
2. 训练偏慢→ 确认 fp16 已开（AMD 卡首选 fp16，部分 7000 系卡可试 bf16），优化器换成 AdamW8bit；
3. 效果不稳→ 用分阶段学习率：前 10% 步数用小学习率（如lr_warmup预热），主体按 1e-4 跑，末段靠 cosine 调度自然衰减。

所有训练过程都能通过 TensorBoard 观察（配置里log_with填tensorboard），loss 曲线平稳下降、采样图风格渐显，就说明方向对了。

避坑与进阶：多卡、容器化和后续方向

最后一节帮你绕开常见坑，并指好进阶路线。

高频问题速查：

双卡及以上用户：AMD 上指定显卡用HIP_VISIBLE_DEVICES=0,1环境变量；kohya_ss 支持通过 accelerate 启动多进程，在 kohya_gui/class_accelerate_launch.py 对应的 Accelerate 选项卡里填num_processes和 GPU ID 即可。单卡用户请忽略此节，别提前给自己加戏。

服务器或团队环境：直接看 Docker 方案（docs/installation_docker.md），在容器里预装 ROCm 镜像 +requirements_linux_rocm.txt，一条命令复现环境，省去本机折腾。

往后看：ROCm 生态仍在快速迭代，FP8 低精度训练、多节点扩展都是值得跟进的方向；仓库的 docs/ 与 presets/ 里沉淀了大量社区调优配方，卡住时先翻这两个目录，大概率有人踩过同样的坑。

到这里，你的 AMD 显卡已经从"只能打游戏"升级成"能训模型的算力"了。下一步建议：拿仓库里的 examples/ 脚本对照一遍命令行参数，把 GUI 里每个按钮背后的真实命令看个明白——到那时，调参就不再是玄学。

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss