配置¶
一份 config 是一个 YAML 文件，描述一次 LoRA 训练的全部输入。LoraHub 用 TrainingConfig Pydantic 模型校验该文件，再由后端专属编译器把它翻成训练引擎的原生参数（kohya-ss/sd-scripts、tdrussell/diffusion-pipe，以及 vendored 的 anima_lora）。
schema 的定位是 语义层：用户描述要训什么，而不是怎么调后端。新后端接进来不需要改既有 config 文件。
命名变更
早期文档与代码把这些文件叫「recipe」、放在 recipes/。磁盘目录现在叫 configs/，REST 端点挂 /api/configs。Python 类型仍叫 TrainingConfig（一直是）。recipe 这个词只作为抽象名词保留在注释里。
顶层结构¶
schemaVersion: "1.0"
baseModel: # 哪份 checkpoint，什么架构
dataset: # 图在哪、分辨率、bucket、caption
network: # LoRA / LoCon / LoHa / DoRA 形状（rank、alpha、target）
optimizer: # 类型、学习率、scheduler、warmup
schedule: # epochs、batchSize、gradAccum
precision: # fp16 / bf16 / fp32
sampling: # 训练中的 preview（可选）
output: # 文件名、保存节奏、dtype
backend: # 训练引擎 + extraArgs 逃生口
resume: # resume 用的 optimizer / scheduler 状态
每段都有 SDXL × 8 GB 显存的默认值，所以最小 config 只需要给 baseModel.checkpoint 与 dataset.source。
camelCase 与 snake_case¶
Pydantic schema 用 to_camel alias generator + populate_by_name=True，validator 同时接受两种写法。新配置 emit camelCase（对齐前端表单字段与 camelCase API wire）；旧 snake_case 配置原样 round-trip。
# 两种写法都校验为同一份 TrainingConfig
schemaVersion: "1.0" # 或 schema_version
baseModel: # 或 base_model
arch: sdxl
checkpoint: ./model.safetensors
schedule:
batchSize: 2 # 或 batch_size
gradAccum: 2 # 或 grad_accum
两个值始终保留字面写法：
caption.strategy: tag_file— Literal，不是字段名。backend.diffusionPipe.modelPaths.transformer_path/vae_path/llm_path— key 直接写到 dp TOML，上游用 snake_case。
一份 config 怎么变成训练运行¶
- 加载 —
load_config(path)解析 YAML、套默认、校验类型，返回TrainingConfig。 - 路径规范化 — job 启动时把 recipe 内每条相对路径（checkpoint、vae、
archPaths.*、dataset.source、modelPaths.*、init_from、prompts_file）对项目根做绝对化，使训练子进程不论 chdir 到哪儿都能找到。 - 编译 —
compile_config(cfg, workspace)返回入口 argv 与一组要写到 workspace 的文件（dataset.toml、diffusion-pipe TOML、sample prompts 等）。 - 启动 — 选中的后端起子进程，把 stdout 解析成
TrainingEvent，持久化到events.jsonl。SSE / WS 流在重连时回放该文件。