ChatGPT가 모든 LoRA 매개 변수를 해석하도록 합니다.

1.6K 00

설정	옵션(컴퓨터 소프트웨어 설정에서와 같이)	설명	단점
base_model	기본 모델 파일의 문자열 경로	이 옵션은 새 모델 학습의 시작점으로 사용할 기본 모델 파일의 경로를 지정합니다. 모델은 제공된 새 데이터에 따라 미세 조정됩니다.	작업 및 데이터와 관련된 기본 모델을 선택하는 것이 중요합니다. 그렇지 않으면 미세 조정 프로세스를 통해 성능이 향상되지 않을 수 있습니다.
이미지 폴더	트레이닝 이미지가 포함된 폴더의 문자열 경로	이 옵션은 모델 학습에 사용되는 학습 이미지가 포함된 폴더의 경로를 지정합니다.	학습 이미지의 품질과 양은 모델의 성능에 큰 영향을 미칠 수 있습니다. 충분히 다양하고 고품질의 이미지를 확보하는 것은 모델 학습에 매우 중요합니다.
출력_폴더	출력 모델이 저장된 폴더의 문자열 경로입니다.	이 옵션은 학습 후 출력 모델이 저장되는 폴더의 경로를 지정합니다.	출력 폴더에는 모델 파일을 저장할 수 있는 충분한 저장 공간이 있어야 합니다. 데이터 손실 및 작업 손실에 대비하여 모델 파일을 정기적으로 백업하는 것이 중요합니다.
변경_출력_이름	부울	학습 모델의 출력 이름을 변경할지 여부를 지정합니다. True로 설정하면 출력 이름이 변경되고, 그렇지 않으면 변경되지 않습니다.	N/A
저장_json_폴더	문자열(컴퓨터 과학)	학습 모델의 json 파일이 저장될 폴더의 경로입니다.	N/A
load_json_path	문자열(컴퓨터 과학)	모델 파라미터를 로드하는 데 사용할 json 파일의 경로입니다. 이전 체크포인트에서 학습을 계속할 때 유용합니다.	load_json_path로 지정된 파일은 존재해야 하며 유효한 json 파일이어야 합니다.
JSON_LOAD_SKIP_LIST	문자열 목록	저장된 .json 파일에 로드되지 않은 모델 구성의 키에 대한 문자열 목록을 지정합니다.	실수로 json_load_skip_list에 필수 키를 포함하면 모델이 예상대로 작동하지 않을 수 있습니다.
멀티_런_폴더	문자열(컴퓨터 과학)	여러 훈련 실행의 결과가 저장된 폴더의 이름으로, {multirun_folder}/run{run_number}/ 형식입니다.	다중 실행 폴더 이름을 변경하지 않고 여러 번 실행하면 이전 결과를 덮어쓰게 됩니다.
save_json_only	부울	True로 설정하면 전체 모델 체크포인트가 아닌 모델 구성 파일(.json 형식)만 저장됩니다.	.json 파일만으로는 모델을 복구할 수 없으며, save_json_only가 True로 설정된 경우 트레이닝을 처음부터 다시 시작해야 합니다.
캡션_탈퇴율	0과 1 사이의 부동 소수점 숫자	훈련 중 타이틀의 무작위 폐기율을 지정합니다.	이 값을 너무 높게 설정하면 제목의 중요한 정보가 손실되어 결과물의 품질이 떨어질 수 있습니다.
캡션_드롭아웃_매번_n_에포크	정수(수학)	훈련 중에 타이틀 드롭이 수행되는 빈도(라운드 단위)를 지정합니다.	이 값을 너무 높게 설정하면 모델이 학습 중에 제목의 다양성에 충분히 노출되지 않아 과적합이 발생할 수 있습니다. 너무 낮게 설정하면 모델이 헤드라인을 학습할 시간이 충분하지 않아 삭제될 수 있습니다.
캡션_태그_탈퇴율	0과 1 사이의 부동 소수점 숫자	모델 학습 시 타이틀의 무작위 폐기 비율을 제어합니다. 값이 높을수록 더 많은 타이틀이 폐기되고, 값이 낮을수록 폐기되는 타이틀이 줄어듭니다.	값을 높게 설정하면 제목의 중요한 정보가 손실되어 결과물의 품질이 떨어질 수 있습니다.
net_dim	정수(수학)	이 설정은 모델의 네트워크 아키텍처에서 숨겨진 단위의 수를 결정합니다. net_dim 값이 클수록 모델이 더 복잡하고 커지지만 더 많은 계산 리소스가 필요하며 모델이 너무 커서 학습 데이터가 충분하지 않은 경우 과적합이 발생할 수 있습니다.	오버피팅, 컴퓨팅 리소스 증가
알파	부동 소수점	이 설정은 학습 중에 사용되는 학습 용량을 결정합니다. 알파 값이 클수록 수렴 속도가 빨라질 수 있지만 너무 높게 설정하면 모델이 과적합되거나 차선의 솔루션으로 수렴될 수 있습니다. 알파 값이 작으면 수렴이 느려지거나 전혀 수렴되지 않을 수 있습니다.	차선책, 느린 컨버전스
스케줄러	문자열(컴퓨터 과학)	이 설정은 훈련 중에 사용되는 학습 속도 스케줄을 결정합니다. 일반적으로 '스텝', '코사인', '플래토'를 선택할 수 있습니다. 단계 계획은 지정된 반복 횟수 후에 학습률을 고정 계수만큼 감소시키는 반면, 코사인 계획은 코사인 함수에 따라 학습률을 감소시킵니다. 플래토 플랜은 유효성 검사 손실이 개선되지 않을 때 학습 속도를 줄입니다.	차선책, 느린 수렴, 적절한 계획을 선택하기 어려움
코사인_재시작	정수(수학)	코사인 어닐링 방식을 다시 시작해야 하는 횟수입니다. 재시작 횟수가 많을수록 학습 속도가 더 자주 변경되어 학습 속도가 최적이 아닌 상태로 떨어질 위험이 줄어듭니다.	다시 시작 횟수를 늘리면 학습 속도가 더 자주 변경되어 훈련 과정이 더 불안정해지고 조정하기 어려워질 수 있습니다.
스케줄러_파워	부동 소수점	스케줄러의 전력 매개변수입니다. 파워 값이 클수록 학습 속도가 더 느리게 변경됩니다.	파워 값을 높게 설정하면 학습 속도가 너무 느려서 적절한 시간 내에 수렴하지 못할 수 있습니다. 반면에 낮은 파워 값을 설정하면 학습 속도가 너무 빨라져 모델이 학습 데이터를 과도하게 적합시킬 수 있습니다.
warmup_lr_ratio	부동 소수점	워밍업 기간 동안의 초기 학습률에 대한 최대 학습률의 비율입니다. 학습률은 초기 값에서 최대 값으로 점차 증가합니다.	워밍업 학습률 비율이 높으면 모델이 느리게 수렴하거나 전혀 수렴하지 않을 수 있습니다. 반면에 워밍업 학습률 비율이 낮으면 학습률이 너무 낮아 모델을 효과적으로 학습시키지 못할 수 있습니다.
learning_rate	부동 소수점	이 옵션은 모델 학습에 사용되는 최적화 도구의 학습 속도를 설정합니다. 옵티마이저가 모델 파라미터를 업데이트하는 단계 크기를 결정합니다. 기본값은 0.0001입니다.	학습 속도가 높으면 모델이 차선책으로 너무 빨리 수렴할 수 있고, 학습 속도가 낮으면 학습 과정이 느려져 잘못된 솔루션으로 수렴할 수 있습니다. 학습 속도는 이러한 장단점의 균형을 맞추기 위해 신중하게 설정해야 합니다.
텍스트_인코더_lr	부동 소수점	이 옵션은 모델의 텍스트 인코더 구성 요소의 학습 속도를 구체적으로 설정합니다. 이 값을 learning_rate와 다른 값으로 설정하면 텍스트 인코더를 특별히 미세 조정할 수 있습니다.	text_encoder_lr을 learning_rate와 다른 값으로 설정하면 텍스트 인코더에 과적합이 발생하여 새로운 데이터에 잘 일반화되지 않을 수 있습니다.
unet_lr	부동 소수점	이 옵션은 모델의 UNet 구성 요소의 학습 속도를 구체적으로 설정합니다. 이 값을 learning_rate와 다른 값으로 설정하면 UNet을 구체적으로 미세 조정할 수 있습니다.	학습_율과 다른 값으로 unet_lr을 설정하면 UNet에 과적합이 발생하여 새로운 데이터에 잘 일반화되지 않을 수 있습니다.
num_workers	정수(수학)	데이터를 로드할 워커 스레드 수를 지정합니다. 워커 스레드 수를 늘리면 데이터 로드 및 학습 속도가 빨라질 수 있지만 메모리 사용량도 증가할 수 있습니다.	워커 스레드가 너무 많으면 메모리 오버플로가 발생하여 학습 프로세스가 느려질 수 있습니다.
persistent_workers	부울	영구 작업자 스레드를 사용할지 여부를 결정합니다. 영구 작업자 스레드는 데이터 샘플의 대기열을 유지하여 데이터를 보다 효율적으로 로드할 수 있도록 합니다.	특히 메모리 또는 디스크 I/O와 같은 리소스가 제한된 시스템에서 시스템 성능이 저하될 수 있습니다.
배치 크기	정수(수학)	각 배치에 포함되는 샘플 수를 지정합니다. 배치 크기가 클수록 학습 효율이 높아지지만 메모리 사용량이 증가하고 수렴 속도가 느려질 수 있습니다.	배치 크기가 너무 크면 메모리 오버플로가 발생하여 학습 프로세스가 느려질 수 있고, 배치 크기가 너무 작으면 수렴 속도가 느려질 수 있습니다.
num_epochs	정수(수학)	학습 데이터에 대해 수행해야 하는 전체 트래버스 횟수를 지정합니다. 라운드가 많을수록 모델이 더 정확해지지만 실행하는 데 더 많은 시간이 걸립니다.	훈련 시간이 길어지면 너무 많은 라운드가 사용되면 데이터가 과도하게 적합해질 수 있습니다.
저장_매년_n_에포크	정수(수학)	학습 중에 모델을 저장할 빈도를 지정합니다. 예를 들어 이 값을 5로 설정하면 모델이 5라운드마다 저장됩니다.	모델을 더 자주 저장하기 때문에 더 많은 저장 공간을 차지합니다.
셔플_캡션	부울	학습 데이터를 라운드 간에 섞을지 여부를 지정합니다. 셔플링은 모델이 로컬 최소값에 빠지는 것을 방지하는 데 도움이 될 수 있지만 훈련의 일관성이 떨어질 수도 있습니다.	학습 데이터의 순서가 중요한 경우 일관성 없는 학습이 발생할 수 있습니다.
keep_tokens	정수(수학)	가장 빈번하게 훈련에 사용되는 텍스트 말뭉치 토큰 수량. keep_tokens보다 발생 빈도가 낮은 토큰은 알 수 없는 토큰("")으로 대체됩니다. 값이 작을수록 어휘 크기가 작아져 모델의 메모리 요구 사항이 줄어들 수 있지만 정보 손실이 발생할 수도 있습니다.	keep_tokens를 너무 낮게 설정하면 정보가 손실될 수 있습니다.
max_steps	정수(수학)	훈련 중에 수행해야 하는 최대 걸음 수입니다. 모델이 max_steps 데이터 배치를 확인하면 학습이 중지됩니다.	max_steps를 너무 낮게 설정하면 모델이 완전히 학습되지 않을 수 있습니다. 너무 높게 설정하면 학습에 시간이 오래 걸릴 수 있습니다.
태그 발생_텍스트 파일	문자열(컴퓨터 과학)	레이블 발생 정보가 포함된 텍스트 파일의 경로입니다. 레이블 발생 정보는 학습 중 손실 함수에 가중치를 부여하는 데 사용됩니다.	레이블에 사용할 수 없는 정보가 있거나 올바르게 지정되지 않은 경우 모델이 올바르게 학습되지 않을 수 있습니다.
정렬_태그_발생_알파벳순	참 또는 거짓	true로 설정하면 tag_occurrence_txt_file의 태그가 알파벳순으로 정렬됩니다. 이 옵션을 사용하면 태그 순서를 일관되게 유지하고 유사한 태그가 함께 그룹화되도록 할 수 있습니다.	N/A
train_resolution	정수 값	이 값은 훈련 이미지의 해상도를 결정합니다. 해상도가 높을수록 더 세밀한 이미지를 생성하지만 더 많은 메모리와 계산 리소스가 필요합니다.	해상도를 높이면 특히 학습 데이터가 큰 경우 학습 시간과 메모리 요구 사항이 크게 늘어날 수 있습니다.
최소_버킷_해상도	정수 값	이 값은 훈련에 사용되는 버킷의 최소 크기를 결정합니다. 버킷 크기가 작을수록 훈련 프로세스가 빨라질 수 있지만, 과적합이 발생하거나 결과의 품질이 떨어질 수 있습니다.	버킷 크기를 지나치게 줄이면 교육 효율이 떨어지고 결과물의 품질이 저하될 수 있습니다.
최대_버킷_해상도	정수(수학)	학습 데이터의 최대 이미지 해상도를 지정합니다. 학습 데이터의 해상도가 max_bucket_resolution보다 크면 다운샘플링됩니다.	최대_버킷_해상도 값이 높으면 학습 시간이 길어지고 메모리 사용량이 증가할 수 있으며, 값이 낮으면 생성된 이미지의 품질이 저하될 수 있습니다.
로라_모델_포_이력서	문자열(컴퓨터 과학)	이전 체크포인트에서 학습을 재개하는 데 사용할 사전 학습된 LoRA 모델의 경로를 지정합니다.	사전 학습된 모델에서 학습을 재개하면 새 학습 데이터가 원래 학습 데이터와 크게 다를 경우 과적합이 발생할 수 있습니다.
저장 상태	부울	각 라운드 후 훈련 상태를 저장할지 여부를 지정합니다. True로 설정하면 훈련 상태가 lora_model_for_resume 파일에 저장됩니다.	트레이닝 상태를 자주 저장하면 트레이닝 시간이 길어지고 디스크 사용량이 증가할 수 있습니다.
로드_이전_저장_상태	참 또는 거짓	학습 중에 이전에 저장된 모델 상태를 로드할지 여부를 지정합니다. True로 설정하면 이전에 저장된 상태부터 학습이 재개됩니다. False로 설정하면 학습이 처음부터 다시 시작됩니다.	이전에 저장된 상태를 사용할 수 없거나 손상된 경우 트레이닝이 복구되지 않고 처음부터 트레이닝이 시작되므로 트레이닝 시간이 길어지고 성능이 저하될 수 있습니다.
training_comment	문자열(컴퓨터 과학)	저장된 모델 이름에 추가할 설명을 지정합니다. 다른 설정이나 매개 변수로 학습된 여러 모델을 구분하는 데 사용할 수 있습니다.	가지고 있지 않다
unet_only	참 또는 거짓	모델의 UNet 구성 요소만 학습할지 여부를 지정합니다. True로 설정하면 모델의 UNet 구성 요소만 학습되고 텍스트 인코더 구성 요소는 학습되지 않습니다. False로 설정하면 모델의 UNet 구성 요소와 텍스트 인코더 구성 요소가 모두 학습됩니다.	텍스트 인코더 구성 요소는 모델의 중요한 부분이며 학습 과정에 텍스트 정보를 인코딩하는 데 도움이 되므로 모델의 UNet 구성 요소만 학습하면 두 구성 요소를 동시에 학습하는 것보다 성능이 저하될 수 있습니다.
text_only	참 또는 거짓	텍스트만 학습시킬지 아니면 텍스트와 이미지 모두에 대해 학습시킬지 결정합니다. True로 설정하면 학습 속도는 빨라지지만 이미지 생성 품질은 낮아집니다. False로 설정하면 학습 속도는 느려지지만 이미지 생성 품질은 높아집니다.	참으로 설정하면 결과 이미지가 거짓으로 설정한 경우만큼 정확하거나 상세하지 않습니다.
reg_img_folder	문자열(컴퓨터 과학)	교육에 사용되는 이미지 디렉토리의 경로입니다.	이 옵션은 text_only가 False로 설정된 경우에만 해당됩니다. 이미지를 제공하지 않으면 모델은 텍스트로만 학습되고 이미지는 생성되지 않습니다.
clip_skip	참 또는 거짓	모델이 학습 데이터에서 잘린 이미지를 건너뛸지 여부를 결정합니다. 잘린 이미지는 train_resolution에 비해 크기가 너무 작거나 너무 큰 이미지입니다.	True로 설정하면 모델이 학습 데이터의 일부 이미지에서 학습하지 못할 수 있습니다. False로 설정하면 모델이 편집된 이미지를 포함한 모든 이미지를 처리해야 하므로 학습 시간이 더 오래 걸릴 수 있습니다.
test_seed	정수(수학)	테스트 데이터 생성 및 평가를 위한 임의의 시드를 지정합니다. 시드를 설정하면 스크립트를 실행할 때마다 동일한 테스트 데이터가 생성됩니다.	시드에 따라 테스트 데이터와 평가 결과가 달라질 수 있으므로 여러 실행에서 성능을 비교하기 어려울 수 있습니다.
이전_손실_중량	부동 소수점	전체 손실 계산에서 이전 손실 항의 가중치를 지정합니다. 이전 손실 항은 모델이 학습 데이터의 이전 분포와 유사한 출력을 생성하도록 유도하는 데 사용됩니다.	가중치를 너무 높게 설정하면 이전 결과와 너무 비슷해져 모델의 창의성이 떨어질 수 있습니다. 가중치를 너무 낮게 설정하면 이전 결과와 너무 달라 일관성이 떨어질 수 있습니다.
그라데이션_체크포인트	부울	훈련 중 메모리 사용을 줄이기 위해 그라데이션 체크포인트를 사용할지 여부를 지정합니다. 그라데이션 체크포인트는 역전파 중에 활성화를 선택적으로 저장하고 다시 로드하므로 계산 시간이 늘어나는 대신 메모리 사용량을 줄일 수 있습니다.	그라디언트 체크포인트를 사용하면 학습 프로세스가 느려질 수 있으며 메모리가 충분한 소형 모델이나 기기에는 필요하지 않을 수 있습니다.
gradient_acc_steps	정수(수학)	훈련 중 그라데이션 누적 단계 수를 지정합니다. 이 값을 높이면 메모리 사용량이 줄어들고 훈련 안정성이 향상됩니다.	gradient_acc_steps 값이 높을수록 연산 횟수가 증가하여 학습 프로세스가 느려질 수 있습니다.
혼합_정확도	부울	저정확도 데이터 유형을 사용하여 학습 속도를 높이는 혼합 정밀도 학습을 사용할지 여부를 지정합니다.	정밀도가 혼합된 훈련은 정확도가 떨어지고 불안정한 훈련으로 이어질 수 있습니다.
저장_정확도	부동 소수점	모델 가중치를 저장할 때 사용할 정밀도를 지정합니다. 일반적으로 훈련 중에 사용되는 정밀도에 따라 32 또는 16으로 설정합니다.	정확도 값이 낮으면 모델 가중치를 저장할 때 정보가 손실되어 정확도가 낮아질 수 있습니다.
save_as	문자열(컴퓨터 과학)	학습 모델을 저장할 파일 형식을 지정합니다. 지원되는 형식은 ckpt, safetensors, pt, bin입니다.	파일 형식은 LoRA 모델에 사용할 안정적 확산 AI 아트 모델 유형과 일치해야 합니다.
캡션_확장	문자열(컴퓨터 과학)	학습 데이터의 헤더가 포함된 텍스트 파일의 확장명을 지정합니다.	확장자는 타이틀 파일의 실제 파일 확장자와 일치해야 합니다.
최대_클립_토큰_길이	정수(수학)	단일 타이틀에 허용되는 토큰의 최대 개수를 지정합니다. 이 길이를 초과하는 타이틀은 트레이닝 중에 건너뛰게 됩니다.	값을 높게 설정하면 훈련 중 메모리 사용량이 증가할 수 있습니다. 값을 낮게 설정하면 헤더의 중요한 정보가 손실될 수 있습니다.
버킷	정수 목록	버킷 알고리즘의 크기를 지정합니다. 예를 들어 버킷을 [5,10,15]로 설정하면 데이터가 3개의 버킷으로 나뉘며, 5 토큰 길이의 데이터는 한 버킷에, 10 토큰 길이의 데이터는 다른 버킷에, 15 토큰 길이의 데이터는 세 번째 버킷에 저장됩니다.	좋은 결과를 얻으려면 버킷의 수와 버킷의 크기를 신중하게 선택해야 합니다. 버킷 수가 너무 적으면 모델이 제대로 작동하지 않을 수 있고, 버킷 수가 너무 많으면 모델이 과도하게 장착될 수 있습니다.
엑스포머	문자열 목록	훈련 중에 사용할 트랜스포머를 지정합니다. 트랜스포머는 무작위 자르기, 뒤집기, 회전 등과 같은 데이터 향상 기술을 적용하는 데 사용할 수 있습니다.	변압기 선택은 모델의 성능에 큰 영향을 미칠 수 있으므로 특정 작업에 가장 적합한 변압기를 선택하는 것이 중요합니다.
USE_8BIT_ADAM	부울	8비트 아담 옵티마이저를 사용할지 여부를 지정합니다. 이 옵션을 사용하면 학습 프로세스에 필요한 메모리 요구 사항을 줄일 수 있습니다.	이 옵션을 True로 설정하면 학습 프로세스에 필요한 메모리 요구량이 줄어들지만 학습 속도가 느려지고 모델의 정확도가 떨어질 수 있습니다.
캐시_특허	부울	True로 설정하면 학습 데이터의 잠재적 값이 캐시되어 학습 속도가 빨라집니다. 이렇게 하면 모델 학습에 걸리는 시간을 줄일 수 있지만 더 많은 메모리를 사용하고 학습을 시작하는 데 시간이 늘어날 수도 있습니다.	메모리 사용량이 증가하고 시작 시간이 느려집니다.
colour_aug	부울	True로 설정하면 학습 중에 색상 개선이 수행됩니다. 이렇게 하면 학습 데이터의 다양성을 높일 수 있지만 학습 속도가 느려질 수도 있습니다.	교육 시간이 느려집니다.
flip_aug	부울	True로 설정하면 훈련 중에 플립 향상이 수행됩니다. 이렇게 하면 학습 데이터의 다양성을 높일 수 있지만 학습 속도가 느려질 수도 있습니다.	교육 시간이 느려집니다.
random_crop	참/거짓	학습 이미지에 무작위 자르기를 적용할지 여부를 지정합니다. True로 설정하면 훈련 이미지가 모델에 입력되기 전에 지정된 크기로 무작위로 잘립니다.	무작위 자르기를 사용하면 학습 데이터의 다양성이 증가하지만, 학습에 필요한 계산 비용이 증가하고 학습 프로세스가 느려질 수 있습니다.
vae	참/거짓	모델의 백본으로 변형 자동 코더(VAE)를 사용할지 여부를 지정합니다. True로 설정하면 모델이 VAE로 학습됩니다.	VAE를 사용하면 데이터를 보다 유연하게 표현할 수 있지만, 학습이 더 어려워지고 더 많은 미세 조정이 필요할 수 있습니다.
no_meta	참/거짓	학습 프로세스에서 메타데이터(예: 카테고리 태그, 속성 등)를 제외할지 여부를 지정합니다. True로 설정하면 모델은 학습 중에 메타데이터에 액세스할 수 없습니다.	메타데이터를 제외하면 학습 프로세스를 간소화할 수 있지만 메타데이터가 제공하는 추가 정보를 활용하지 못해 모델의 품질이 낮아질 수 있습니다.
log_dir	문자열(컴퓨터 과학)	교육 로그 파일이 저장된 디렉토리의 경로입니다.	디렉터리가 이미 존재하고 비어 있지 않은 경우, 교육이 해당 디렉터리에 저장된 이전 로그를 덮어쓰게 되어 데이터가 손실될 수 있습니다.
bucket_reso_steps	정수(수학)	이미지 해상도를 높이기 위한 단계 수입니다. 이미지 해상도는 최대_버킷_해상도에서 시작하여 각 단계마다 2씩 증가합니다.	이 값을 너무 높게 설정하면 각 단계에서 이미지 크기가 증가함에 따라 메모리 오류가 발생하고 훈련 시간이 길어질 수 있습니다. 이 값을 너무 낮게 설정하면 이미지 품질이 저하될 수 있습니다.
bucket_no_upscale	부울	이미지 해상도를 원래 크기 이상으로 늘리는 것을 제한할지 여부를 나타냅니다.	True로 설정하면 이미지 해상도가 원래 크기 이상으로 증가하지 않으므로 이미지 품질이 저하될 수 있습니다.
v2	참 또는 거짓	이 설정은 모델 아키텍처 버전 2를 사용할지 여부를 지정합니다.	다른 버전의 모델 아키텍처를 사용하면 생성된 아트의 품질과 성능이 달라질 수 있으므로 실험하고 결과를 비교하여 주어진 작업에 가장 적합한 옵션을 결정하는 것이 중요합니다.
V_파라미터화	스펙트럼_규범", "인스턴스_규범" 또는 "배치_규범".	이 설정은 학습 중에 모델의 파라미터가 정규화되는 방식을 결정합니다. 스펙트럼 정규화, 인스턴스 정규화 및 배치 정규화는 과적합을 방지하기 위한 다양한 접근 방식이며, 각각 계산 비용과 성능 측면에서 고유한 절충점을 가지고 있습니다.	잘못된 정규화 방법을 선택하면 모델 성능에 부정적인 영향을 미칠 수 있으므로 다양한 옵션을 시도하여 주어진 작업에 가장 적합한 방법을 결정하는 것이 중요합니다.