Вот перевод документации на русский язык:

Узел TrainLora создает и обучает модель LoRA (Low-Rank Adaptation) на основе диффузионной модели, используя предоставленные латентные представления и данные кондиционирования. Он позволяет выполнять тонкую настройку модели с пользовательскими параметрами обучения, оптимизаторами и функциями потерь. Узел выводит обученные веса LoRA, карту истории потерь и общее количество выполненных шагов обучения.

## Входные параметры

| Параметр | Описание | Тип данных | Обязательный | Диапазон |
| --- | --- | --- | --- | --- |
| `модель` | Модель, на которой будет обучаться LoRA. | MODEL | Да | - |
| `латентные представления` | Латентные представления для обучения, служат набором данных/входными данными модели. | LATENT | Да | - |
| `позитивное условие` | Положительное кондиционирование для обучения. | CONDITIONING | Да | - |
| `размер пакета` | Размер пакета для обучения (по умолчанию: 1). | INT | Да | 1-10000 |
| `шаги накопления градиента` | Количество шагов накопления градиента для обучения (по умолчанию: 1). | INT | Да | 1-1024 |
| `шаги` | Количество шагов для обучения LoRA (по умолчанию: 16). | INT | Да | 1-100000 |
| `скорость обучения` | Скорость обучения (по умолчанию: 0.0005). | FLOAT | Да | 0.0000001-1.0 |
| `ранг` | Ранг слоев LoRA (по умолчанию: 8). | INT | Да | 1-128 |
| `оптимизатор` | Оптимизатор для обучения (по умолчанию: "AdamW"). | COMBO | Да | "AdamW"<br>"Adam"<br>"SGD"<br>"RMSprop" |
| `функция потерь` | Функция потерь для обучения (по умолчанию: "MSE"). | COMBO | Да | "MSE"<br>"L1"<br>"Huber"<br>"SmoothL1" |
| `зерно` | Зерно для обучения (используется в генераторе для инициализации весов LoRA и семплирования шума) (по умолчанию: 0). | INT | Да | 0-18446744073709551615 |
| `тип данных обучения` | Тип данных для обучения. 'none' сохраняет собственный вычислительный тип данных модели вместо его переопределения. Для моделей fp16 автоматически включается GradScaler (по умолчанию: "bf16"). | COMBO | Да | "bf16"<br>"fp32"<br>"none" |
| `тип данных lora` | Тип данных для LoRA (по умолчанию: "bf16"). | COMBO | Да | "bf16"<br>"fp32" |
| `quantized_backward` | При использовании training_dtype 'none' и обучении на квантованной модели, выполнять обратный проход с квантованным матричным умножением при включении (по умолчанию: False). | BOOLEAN | Да | - |
| `алгоритм` | Алгоритм для обучения. | COMBO | Да | Доступно несколько вариантов |
| `чекпоинтинг градиента` | Использовать градиентную контрольную точку для обучения (по умолчанию: True). | BOOLEAN | Да | - |
| `checkpoint_depth` | Уровень глубины для градиентной контрольной точки (по умолчанию: 1). | INT | Да | 1-5 |
| `offloading` | Выгружать веса модели на CPU во время обучения для экономии памяти GPU (по умолчанию: False). | BOOLEAN | Да | - |
| `существующая lora` | Существующая LoRA для добавления. Установите значение None для новой LoRA (по умолчанию: "[None]"). | COMBO | Да | Доступно несколько вариантов |
| `режим корзины разрешений` | Включить режим разрешения по корзинам. При включении ожидает предварительно распределенные по корзинам латентные представления от узла ResolutionBucket (по умолчанию: False). | BOOLEAN | Да | - |
| `bypass_mode` | Включить режим обхода для обучения. При включении адаптеры применяются через прямые хуки вместо изменения весов. Полезно для квантованных моделей, где веса нельзя напрямую изменять (по умолчанию: False). | BOOLEAN | Да | - |

**Примечание:** Количество входов положительного кондиционирования должно соответствовать количеству латентных изображений. Если указано только одно положительное кондиционирование для нескольких изображений, оно будет автоматически повторено для всех изображений.

**Примечание о `training_dtype`:** При установке значения "none" сохраняется собственный вычислительный тип данных модели. Для моделей fp16 автоматически включается GradScaler для предотвращения потери значимости при вычислении градиента. Если также включено `fp16_accumulation` (через флаги `--fast`), такая комбинация может быть численно нестабильной и вызывать значения NaN.

**Примечание о `quantized_backward`:** Этот параметр актуален только когда `training_dtype` установлен в "none" и модель является квантованной. Он включает квантованное матричное умножение во время обратного прохода.

**Примечание о `bypass_mode`:** При включении адаптеры применяются через прямые хуки вместо прямого изменения весов модели. Это особенно полезно для квантованных моделей, где веса нельзя напрямую изменять.

## Выходные параметры

| Имя выхода | Описание | Тип данных |
| --- | --- | --- |
| `lora` | Обученные веса LoRA, которые можно сохранить или применить к другим моделям. | LORA_MODEL |
| `loss_map` | Словарь, содержащий значения потерь обучения с течением времени. | LOSS_MAP |
| `шаги` | Общее количество выполненных шагов обучения (включая предыдущие шаги из существующей LoRA). | INT |

> Эта документация была создана с помощью ИИ. Если вы обнаружите ошибки или у вас есть предложения по улучшению, пожалуйста, внесите свой вклад! [Редактировать на GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/TrainLoraNode/ru.md)

---
**Source fingerprint (SHA-256):** `df315ef416ff3ce81e6a526af2c4e5115980e6c35830825967e7189d4f8541d8`