Update TrainLoRANode docs

comfyui_embedded_docs/docs/TrainLoRANode/zh.md

@@ -0,0 +1,92 @@
+这个节点主要用于 LoRA 训练，能够根据你提供的范例作品（训练图片）来学习和掌握特定的绘画风格或技巧。通过这个节点，你可以让AI模型学习新的创作风格。
+
+### 输入
+
+| 参数名称 | 数据类型 | 输入方式 | 默认值 | 取值范围 | 功能说明 |
+|----------|----------|----------|---------|----------|----------|
+| `model` | MODEL | 必填 | - | - | 要训练的基础模型，就像选择要培训的学生 |
+| `latents` | LATENT | 必填 | - | - | 编码后的训练图片，相当于教学用的范例作品 |
+| `positive` | CONDITIONING | 必填 | - | - | 文本描述，就像告诉学生这幅画的重点特征 |
+| `batch_size` | INT | 可选 | 1 | 1-10000 | 每次学习的样本数量，就像一次练习几幅画，如果显存小于 8GB建议设置为 1,大显存可以设置为 3 |
+| `steps` | INT | 可选 | 16 | 1-100000 | 训练的总轮次，相当于练习的总课时，多轮次的训练可以让模型更好地掌握训练特征，但也容易过拟合，在 20～30张时你可以参考设置为 1000 左右 |
+| `learning_rate` | FLOAT | 可选 | 0.0005 | 0.0000001-1.0 | 可以理解为学习过程的速度，学习率低时模型将会掌握更多细节但增加学习时长，学习率高则会让模型快速地完成学习过程，但可能会忽略掉很多细节 |
+| `rank` | INT | 可选 | 8 | 1-128 | LoRA的秩，越大学习能力越强但需要更多资源，建议从较低的参数开始尝试 |
+| `optimizer` | COMBO | 可选 | "AdamW" | ["AdamW", "Adam", "SGD", "RMSprop"] | 优化器选择，像是选择不同的学习方法 |
+| `loss_function` | COMBO | 可选 | "MSE" | ["MSE", "L1", "Huber", "SmoothL1"] | 损失函数，用于衡量学习效果的好坏 |
+| `seed` | INT | 可选 | 0 | 0-18446744073709551615 | 随机种子，确保训练过程可以重复 |
+| `training_dtype` | COMBO | 可选 | "bf16" | ["bf16", "fp32"] | 训练时使用的数据类型 |
+| `lora_dtype` | COMBO | 可选 | "bf16" | ["bf16", "fp32"] | LoRA权重的存储数据类型 |
+| `existing_lora` | COMBO | 可选 | "[None]" | 可用的LoRA文件列表 + "[None]" | 继续训练现有的LoRA，或从头开始新训练 |
+
+### 输出
+
+| 输出名称 | 数据类型 | 说明 |
+|----------|----------|------|
+| `model_with_lora` | MODEL | 应用了训练好的LoRA权重的模型 |
+| `lora` | LORA_MODEL | 独立的LoRA权重，可以保存或应用到其他模型 |
+| `loss` | LOSS_MAP | 训练过程中的损失数据，用于监控训练进度 |
+| `steps` | INT | 完成的总训练步数（包括继续训练时之前的步数） |
+
+## 关于 LoRA 训练的准备
+
+想象一下教一个绘画学生学习新的绘画技巧：
+
+1. **准备课程材料**：
+   - 就像准备示范作品一样，你需要准备训练用的图片
+   - 使用 `LoadImageSetNode` 或 `LoadImageSetFromFolderNode` 来加载这些图片
+   - 通过VAE编码节点将图片转换为模型可以理解的格式
+
+2. **学习过程**：
+   - 就像学生通过反复练习来掌握技巧，模型也通过多次迭代来学习
+   - 每次练习都会对比自己的作品和示范作品的差异，然后调整技巧
+   - 这个过程通过特殊的 `TrainSampler` 来实现，它负责计算差异并指导模型改进
+
+### 使用建议
+
+1. **准备阶段**：
+   - 选择质量好、风格一致的训练图片
+   - 确保有足够的GPU显存进行训练
+   - 从小批量和较少步数开始尝试，逐步调整参数
+
+2. **训练过程**：
+   - 使用 `LossGraphNode` 监控训练进度
+   - 如果训练效果不理想，可以：
+     * 调整学习率（learning_rate）
+     * 增加训练步数（steps）
+     * 尝试不同的优化器（optimizer）
+     * 调整LoRA秩（rank）的大小
+
+3. **保存和使用**：
+   - 训练完成后使用 `SaveLoRA` 节点保存权重
+   - 
+4. **注意事项**：
+   - 这是一个实验性功能，可能会在未来版本中有变化
+   - 训练需要较大的GPU显存和计算资源
+   - 支持从现有LoRA继续训练，会自动从文件名中提取步数
+   - 使用了梯度检查点技术来优化显存使用
+
+## 多图像输入处理
+
+ComfyUI中 的 Train LoRA 节点通过一个复杂的批处理系统来处理多个图像输入。该节点通过 `latents` 输入参数接收图像的潜在表示, 其中包含批量潜在张量, 批次维度代表多个图像。
+
+在训练过程中,该节点对每个训练步骤从图像批次中进行随机采样。它使用`torch.randperm(num_images)[:batch_size]`从总数据集中随机选择一个子集进行每次迭代。这种方法通过确保模型在不同步骤中看到不同的训练图像组合,提供了数据增强并防止过拟合。
+
+图像加载管道通过配套节点(如`LoadImageSetNode`和`LoadImageSetFromFolderNode`)支持多种输入方法。这些节点包含复杂的图像处理功能,具有多种调整大小方法(无、拉伸、裁剪、填充)来处理不同尺寸的图像。
+
+### 输出和监控
+
+该节点提供全面的输出,包括:
+- 应用LoRA的训练模型
+- 独立的LoRA权重以供重用
+- 用于监控训练进度的损失跟踪数据
+- 包括继续训练步骤在内的总训练步骤计数
+
+### LoRA权重管理
+
+训练好的LoRA权重可以使用`SaveLoRA`节点保存,并使用`LoraModelLoader`节点重新加载到模型中。
+
+### 权重适配器系统
+
+该节点利用 ComfyUI 的权重适配器系统,特别是 LoRA 适配器实现,它支持多种LoRA格式并在推理过程中提供高效的权重计算。
+
+完整示例请参考 [LoRA 训练工作流示例教程](https://docs.comfy.org/zh-CN/tutorials/lora-trainer)