Extensions/Computational LSNet
ComfyUI Extension

Computational LSNet

把 LSNet / Kaloscope 的画师风格张量变成可计算、可存档、可读回、可进化的对象：张量反推画师串、画师串反推张量、106 函数的向量表达式运算、b64 逐比特存档，附画师串遗传算法（GA）工作流。

By let-the-name-be-x1·Created 2 days ago·Updated 2 days ago· 2
let-the-name-be-x1/Computational-LSNet
Nodes—
On cloudLocal install
Stars2
Updated2 days ago
Readme

Computational LSNet

把 LSNet / Kaloscope 的「画师风格张量」从只能看，变成能算、能存、能读回、能进化。

一个给 comfyui-kaloscope（旧名 comfyui-lsnet，LSNet 画师分类器）用的 附属节点包：不改插件、不改权重、不重新训练，只加一层"计算层"—— 直接把分类头的前特征向量（"画风张量"）反推成画师串、把画师串变回向量、用表达式做向量运算、 逐比特存档读回，并附带一套可以跑起来的画师串遗传算法工作流。

English TL;DR — An add-on node pack for comfyui-lsnet (Kaloscope). It turns the LSNet artist-style feature vector into a first-class citizen: classify a style vector back into artist tags without an image, turn tags back into a vector, do arbitrary vector math on it (expression evaluator with 106 functions), round-trip it losslessly to txt (base64), and evolve it with a ready-made genetic-algorithm workflow. Zero intrusion: no plugin patch, no weight change, no retraining; the only dependency is torch. ⚠ Compatibility: works with LSNet 2.0 only (upstream comfyui-kaloscope legacy branch = the lsnet 1.0.8 node in ComfyUI Manager). Not yet adapted to Kaloscope 3.0 (see 版本兼容性与 3.0 差异). See Credits — this pack is an affiliate of comfyui-lsnet/comfyui-kaloscope, its math node is inspired by more_math, and the code was written by Hermes Agent / DeepSeek V4.1 Flash under the author's direction.

⚠️ 版本兼容性：本包与工作流目前只适用于 LSNet 2.0（旧版）

  • 上游插件：spawner1145/comfyui-kaloscope 的 legacy 分支（旧名 comfyui-lsnet）
  • ComfyUI Manager：安装 lsnet 1.0.8（Manager 上目前仍是 2.0 版本）
  • 模型：lsnet_xl_artist_448 → 目录 models/lsnet/kaloscope2.0/（39261 个画师类，画风向量 2048 维）

尚未适配 Kaloscope 3.0（新架构）。 3.0 已把节点改名为 Kaloscope *、模型类型改为 KALOSCOPE_MODEL， 并把"画风向量"拆成了两条分支（分类头吃 1536 维、且强制 L2 归一化的 cls_mean； 插件默认输出的"画风向量"是 256 维 projector 分支，分类头看不到它）。 因此本包的 LSNET_MODEL 端口与 2048 维假设在 3.0 上会直接报类型/维度错误 —— 这是架构差异，不是配置问题。 差异对照、实测数据与适配清单见 版本兼容性与 3.0 差异。

ComfyUI custom node Nodes Dependencies Python Category

目录

它解决什么问题

LSNet（Kaloscope 2.0 = lsnet_xl_artist_448，39261 个画师类）的前向是：

图像 448² ─ blocks+pool → 768 ─ projection: BN_Linear(768→2048) + ReLU → f (2048)
                                                                          │
                                    head: BN_Linear(2048→39261) → logits ─┘
                                              ↑ 本包所有"画风张量"就是这个 f
                                              ↑ 反推 = 对 head(f) 排序

原插件的节点只暴露了两件事：图像 → 画师串 和 图像 → 特征张量。于是你能看到 f，但 算不了、存不了、读不回、改不了：忘了哪张图、想混合两种画风、想按 ‖f‖/余弦做筛选、想把优秀 的 f 存下来反复用——都做不到。

本包补上这一层，全部基于两个事实：

  1. head 是独立子模块，输入就是 f。所以 head(f) 与"图像→分类"逐比特等价（实测误差 0.00e+00）， 而且 f 是可逆的过程入口。
  2. head = BN(2048) + Linear(2048→C) 在 eval 下是仿射映射。所以 head(mean(f)) == mean(head(f))， 多图/多向量取平均再反推是严格合法的"logit 空间集成"。

于是就有了：不用图像也能反推画师串、画师串能变回向量、向量能用表达式算、能逐比特存和读、能当基因进化。

节点一览

安装后出现在 ComfyUI 分类 Computational LSNet。

| # | 节点 | 一句话 | |---|---|---| | 1 | LSNet Features → Artist Tags | 画风张量 → 画师串（用分类头，不需要图像） | | 2 | LSNet Artist Tags → Features | 画师串 → 画风张量（类别权重方向） | | 3 | Vector Math (Computational LSNet) | 向量/标量混合表达式运算（106 个函数，V0..V9/F0..F3 任意类型端口） | | 4 | Vector → Text / txt | 完整序列化 + 存 txt + 统计摘要（不再出现 tensor([...]) 省略号） | | 5 | Text / txt → Vector | 从字符串/文件读回向量（b64 逐比特无损） | | 6 | Artist Tags → Prompt | json/标签串 → 提示词画师串（可给每个画师名加前后缀） | | 7 | Text Join | 拼接提示词片段（支持 STRING 列表，替代 easy-use 的 promptConcat） |

安装与依赖

cd ComfyUI/custom_nodes
git clone https://github.com/let-the-name-be-x1/Computational-LSNet.git   # 目录名带连字符也能加载（包内做了按文件路径兜底加载）

发布到 Comfy Registry（即 ComfyUI Manager 的数据源）之后， 也可以直接：comfy node install computational-lsnet，或在 ComfyUI Manager 里搜索 Computational LSNet。 仓库根目录的 pyproject.toml 就是发布元数据（Registry 要求节点包本身位于仓库根目录）。

然后重启 ComfyUI，在节点搜索里找分类 Computational LSNet。

  • 依赖：只有 torch（ComfyUI 自带）。numpy 仅被 lsnet 插件自身使用。
  • 前置（仅 2.0 版）：安装上游插件的 legacy 分支 （= ComfyUI Manager 里的 lsnet 1.0.8，不要装 Manager 上将来可能出现的 3.0 版），并放好模型目录 （models/lsnet/<子目录>/：best_checkpoint.pth + class_mapping.csv + config.json）， 因为节点 1/2 需要 LSNet Model Loader 输出的 LSNET_MODEL 句柄。 自检：装了 3.0（Kaloscope Model Loader）时节点会报类型不匹配 —— 见 3.0 差异。
  • 不改动 lsnet 插件，不改动任何权重文件，不重新训练。
  • 本包在 ComfyUI 0.38.1 / frontend 1.53.6 上验证（Windows，torch CUDA）。

版本兼容性与 3.0 差异

2.0（本包支持 ✅） vs 3.0（未适配 ❌）

| | LSNet 2.0（本包目前支持） | Kaloscope 3.0（尚未适配） | |---|---|---| | 上游插件 | comfyui-kaloscope legacy 分支（旧名 comfyui-lsnet）= ComfyUI Manager 上的 lsnet 1.0.8 | comfyui-kaloscope main 分支（节点全部改名为 Kaloscope *） | | 主干 | LSNet（SKA 混合注意力），输入 448² | DINOv3 ViT-B/16（自监督），输入 512² | | "画风向量" | projection 输出 f = 2048 维，同时就是分类头输入（LSNet Common Features 直接给） | 两条分支：分类头吃 1536 维 cls_mean（先 L2 归一化 ×√1536）；插件默认输出的"画风向量"是 256 维 projector 分支，分类头看不到它 | | 分类头 | BN_Linear(2048→39261)（含 BatchNorm，running_mean 范数 ≈ 48） | Linear(1536→44129)（纯 Linear，无 BN） | | 幅值是否携带信息 | 有（所以有"千万别归一化后再反推"这条铁律） | 没有（head 输入恒在半径 √1536 的球面上；实测把 f 放大 1000 倍，logits 逐元素不变） | | 向量→画师串 与 图像→画师串 | 逐比特等价 | 仅当向量取自 cls_mean 分支并复现 l2_sqrt_dim 归一化时才等价 | | head(mean f) == mean head(f) | 成立（head 是仿射映射） | 不成立（归一化是非线性的；实测最大差 5.27） | | 权重体积 | best_checkpoint.pth ≈ 2.94 GB | model.safetensors ≈ 600 MB | | 画师类别数 | 39261 | 44129 |

表中 3.0 一列的数字来自本机 models/kaloscope/kaloscope3.0（dinov3_vitb16 / cls_mean / feature_source=projector / classifier_input_normalization=l2_sqrt_dim，epoch26 预览版）的真实前向实测 （2 张图，CPU）：head.weight = [44129, 1536]、projector.2.weight = [256, 1536]、cls_mean 范数 ≈ 15、 概率不饱和（p == 0 的类数为 0，p_max ≈ 0.007，logits 跨度 ≈ 20；而 2.0 的 logits 跨度可达 1e8）。

为什么在 3.0 上"接不上"

  1. 类型名变了：LSNET_MODEL → KALOSCOPE_MODEL，本包 model 端口会拒绝连线；
  2. 维度变了：本包按 2048 维校验，而 3.0 的 Kaloscope Common Features 给的是 256 维 projector 输出 —— 它不是分类头的输入空间，两者维度都不同，无法互推；
  3. 分类前多了一步：3.0 必须 F.normalize(f) × √1536 才能进 head，而本包的 2.0 逻辑默认不归一化。

适配 3.0 需要改什么（尚未实现）

| 位置 | 需要改动 | |---|---| | 节点输入端口 | ("LSNET_MODEL",) → ("KALOSCOPE_MODEL",)（或 Any 以兼容两代） | | 取维度 | head.bn.num_features → head.in_features（3.0 没有 bn） | | 反推前 | 内建 F.normalize(f) × sqrt(head.in_features)，并按 model.classifier_input_normalization 决定是否启用 —— 2.0 默认关、3.0 必须开，这是最容易踩的反转 | | 画师串 → 向量 | 2.0 用 head.fuse() 折叠 BN；3.0 没得折，改为直接用 head.weight | | 上游接线 | 必须改用 Kaloscope Extract Features(output_type=cls_mean)；不能用 Kaloscope Common Features（那是 256 维 projector） | | 多向量聚合 | 2.0 的 head(mean f) 在 3.0 不成立 → 改为"逐样本归一化 → 各自分类 → 平均 logits" | | 工作流常数 | a/4525（= 100·√2048）→ 建议改成免常数写法 randn(seed, shape(M)) * (变异强度/100) * rownorm(M) / sqrt(shape(M)[1]) | | GA 尺度旋钮 | 3.0 里模长对分类零影响 ⇒ normclip 从"权重上下限"退化为数值安全网；"变异强度"应理解为球面上的相对步长（小步长下 ≈ 角度） |

三种常用配方

① 反推画师串（不用图像）

LoadImage → LSNet Common Features ─┐
LSNet Model Loader ────────────────┴→ LSNet Features → Artist Tags → Artist Tags → Prompt → CLIPTextEncode

② 画风混合（在特征空间混合，而不是在提示词里调权重）

两个 LSNet Common Features → Vector Math  "mix(V0, V1, 0.3)"  → LSNet Features → Artist Tags

⚠ 不要写 mean(normalize(V0), normalize(V1))——那会掉进 尺度坑。

③ 存档 / 复现

Vector → Text / txt (format=b64, save_to_file=on)  ──→ output/lsnet_vectors/xxx.txt
Text / txt → Vector (file=xxx.txt)                 ──→ 逐比特还原（浮点误差 0.00e+00）

节点参考

1. LSNet Features → Artist Tags

用途：拿 LSNet Common Features 输出的画风张量 f，直接用分类头反推画师串 —— 不需要图像、不改权重。

输入

| 参数 | 类型 | 默认 | 说明 | |---|---|---|---| | features | TENSOR | — | 必须是 projection 之后的 2048 维特征（即 LSNet Common Features 的输出）。传 768 维 backbone 特征会报错 | | model | LSNET_MODEL | — | 从 LSNet Model Loader 接过来 | | top_k | INT | 10 | 输出多少个候选画师（1~2000） | | threshold | FLOAT | 0.0 | 概率阈值，低于它的候选被丢弃。注意：概率饱和的图上几乎只能留下 top-1 | | aggregate | 枚举 | mean_logits | 输入有多行（多图/多向量）时的聚合方式，见下 | | temperature | FLOAT | 1.0 | softmax 温度，p = softmax(score / T)。logits 尺度爆炸时（实测某些图跨度 1e8）调到 1e5~1e6 才有区分度 | | l2_normalize | BOOLEAN | False | ⚠ 千万别随手打开，见 尺度坑 |

aggregate 的区别（输入 f 有 N 行时）：

  • mean_logits（默认）：probs = softmax(mean(logits) / T)。因为 head 是仿射映射， 这严格等价于 head(mean(f))，也就是"多图/多向量取平均再反推"，即 logit 空间集成（实测误差 0.00e+00）。
  • mean_probs：probs = mean(softmax(logits / T))，概率空间集成。两者结果不同，不能互换。

输入既可以是 (2048,) 的单向量，也可以是 (N, 2048) 的矩阵（例如 Vector Math 里 stack(f0, f1, f2) 的结果， 或你自己拼的多图特征）。单向量时 aggregate 无影响。

输出

| 输出 | 类型 | 含义 | |---|---|---| | tag_string | STRING | top-k 画师名，逗号分隔（类名原样，如 poki_(j0ch3fvj6nd)） | | json_output | STRING | {"画师名": 概率, ...}，只含 top-k（所以和不等于 1）。方便接 Artist Tags → Prompt | | probs | TENSOR | 全部 39261 类的 softmax 概率，形状 (C,)（多行输入时先聚合）。sum=1，可用于打分、分布分析 | | logits | TENSOR | softmax 之前的原始分数，形状 (N, C)。数值范围可能是 ±1e8 |

probs 与 logits 各自什么时候用？

  • 只想要"像哪个画师" → 用 tag_string / json_output。
  • 要排序/比较 → 用 logits（节点内部也是按 logits 排序）：softmax 在尺度极端时会下溢成整片 0.0， 此时概率的排名是"并列 0 的任意顺序"，而 logits 仍然有序。实测某张 OOD 图 39261 类里 39260 个概率恰为 0.0。
  • 要做多图/多提示词的加权打分（GA 适应度）→ 用 probs（有界、可加）或 logits 的差值（如 top1 - top2）。
  • json_output 里的数值是分类置信度，与提示词权重 (tag:1.2) 没有解析关系（不同空间、不同模型）， 只能启发式转换 —— 用 Artist Tags → Prompt 的 weight_mode。

2. LSNet Artist Tags → Features

用途：tag_string → 画风张量。实现：取 head 折叠 BN 后的类别权重行 W_eff[c]，按权重加权求和。

输入

| 参数 | 类型 | 说明 | |---|---|---| | tag_string | STRING（多行） | 支持三种写法：a, b / (a:0.8), (b:0.2) / 提示词写法（空格、转义括号 huhi \(huhi 1211\)）。同名会合并（概率取最大、权重取最大） | | model | LSNET_MODEL | 同上 |

名字匹配：先按精确类名找，找不到再做归一化匹配（忽略空格/下划线/括号/转义/大小写）， 所以 bbul horn、bbul_horn、huhi \(huhi 1211\) 都能命中 —— report 里会标 "matched": "exact" | "normalized"。

输出

| 输出 | 类型 | 含义 | |---|---|---| | features | TENSOR | 形状 (2048,)、float32，可直接进 Vector Math / 反推节点 | | feature_text | STRING | 该向量的完整文本（可接 Show Text） | | report | STRING | JSON：每个标签的 class_id / matched / weight / found，以及 feature_dim |

⚠ 两个必须知道的限制

  1. 它输出的是"探针方向"，不是"该类样本质心"：实测 ‖W_eff[c]‖ ≈ 207，而真实图像特征 ‖f‖ ≈ 49， 两者余弦 ≈ −0.002（几乎正交）。所以：
    • ✅ 可用于：画师串 → 向量 → 再反推（自洽往返，作者实测 30/30 命中）；多画师线性组合后看 head 响应； 做"某画师方向"的探针。
    • ❌ 不要用于：与图像特征相加、算余弦、当"画师质心"来解释风格。
  2. 权重会被保留（(a:0.8) 就是 0.8·W_eff[a]），所以权重放大 = 向量模长放大。而 head 只在 ‖f‖ ≈ 25~100 区间可靠（见 尺度坑），权重给太大可能把向量推到区间外； 必要时用 Vector Math 的 normalize(V)*norm(V0) 把尺度拉回。

3. Vector Math

用途：任意向量/标量表达式求值。V0..V9 / F0..F3 全是 *（任意类型）端口 —— 向量、标量、字符串都能直接连进来（其它包里 more_math 的 V 是 String、F 是 Float，收不了 TENSOR； 本节点就是为解决这个问题而写的，函数命名与语法习惯参考了 more_math）。

输入

| 参数 | 类型 | 说明 | |---|---|---| | expression | STRING（多行） | 表达式；支持多语句、t = ... 赋值、# 注释，结果为最后一条语句的值 | | precision | INT | text 输出的有效数字（0~12，默认 6） | | V0..V9 | * | 任意类型输入（TENSOR / FLOAT / INT / STRING） | | F0..F3 | * | 同上；若已连接，会覆盖别名 w x y z |

变量

| 写法 | 含义 | |---|---| | a b c d | = V0 V1 V2 V3（未连接的自动按 0.0 处理，避免整条链报错） | | w x y z | = V4 V5 V6 V7（未连接 F0..F3 时）；F0..F3 已连接则用它们 | | V0..V9 | 直接用名字 | | V / Vcnt | 所有已连接 Vn 组成的列表 / 连接个数（列表不能直接做算术，先用 stack/cat/mean） | | F / Fcnt | 同上，对应 Fn | | pi e tau inf nan | 常量 |

语法

  • 运算：+ - * / // % ** @（@ 矩阵乘）、一元 -
  • 比较/逻辑：< <= > >= == !=、and or not、条件式 a if 条件 else b
  • 取值：x[i]、x[i:j]、x.shape、x.shape[0]（M[i] 的浮点下标会自动取整）
  • 多语句：换行或 ; 分隔，t = normalize(a) 之后 t*0.5 合法；# 之后是注释

4. Vector → Text / txt

用途：把张量变成完整文本（不再出现 tensor([0., 0., ..., 0.]) 的省略号），可存 txt。

输入

| 参数 | 类型 | 默认 | 说明 | |---|---|---|---| | vector | 任意 | — | 张量 / 标量 / 列表都可 | | format | 枚举 | plain | plain / comma / json / b64 / lines | | precision | INT | 9 | 有效数字。float32 无损往返需要 9 位；b64 与它无关 | | display_limit | INT | 0 | 只截断界面文本，0 = 完整显示。2048 维约 8.7k 字符，Show Text 直接看没问题 | | save_to_file | BOOLEAN | True | 是否写文件 | | filename | STRING | lsnet_vector.txt | 空则自动用时间戳命名；无扩展名会自动加 .txt | | subfolder | STRING | lsnet_vectors | 相对 ComfyUI output/ 的子目录 |

格式对比（2048 维实测）：

| format | 字符数 | 特点 | |---|---|---| | b64 | 10966 | 逐比特无损（float32 原始字节 + base64，头部带 dtype/shape），首选存档格式 | | plain | 18479 | 空格分隔，人类可读，9 位下实测无损往返 | | comma | 18479 | 逗号分隔 | | lines | 18479 | 每行一个数 | | json | 25481 | JSON 数组，便于别的程序读（见 FAQ：小数位取整，1 ulp 级误差） |

输出

| 输出 | 类型 | 含义 | |---|---|---| | text | STRING | 完整序列化文本（可接 Show Text / 存盘） | | summary | STRING | 统计摘要：shape / numel / dtype / 范数 / min / max / mean / std / zeros | | saved_path | STRING | 实际写入的绝对路径（未保存时为空） | | numel | INT | 元素个数 | | vector_out | TENSOR | 透传输入 —— 接到 Text / txt → Vector.trigger，用来强制"先写后读" |

5. Text / txt → Vector

用途：从字符串或 txt 把向量读回来。

输入

| 参数 | 类型 | 默认 | 说明 | |---|---|---|---| | mode | 枚举 | auto | auto 按内容判断（b64: 前缀 → b64；以 [ 开头 → json；否则按分隔符）；也可强制 plain/comma/json/b64/lines | | text | STRING（多行） | "" | 直接从文本框粘贴也可以 | | file | STRING | "" | 文件名或绝对路径。解析顺序：绝对路径 → output/<name> → input/<name> → 在 output、input 下按文件名递归查找（最多 3 层，取最新修改的） | | dtype | 枚举 | float32 | 目标 dtype | | trigger | 任意 | — | 把 Vector → Text.vector_out 接进来：ComfyUI 不知道"读文件依赖写文件"，不接可能先读后写报"找不到文件" | | on_missing | 枚举 | error | 文件不存在时：error 报错；zeros 返回 1×1 零向量占位（用于"第一轮还没有缓存"的循环工作流） |

输出

| 输出 | 类型 | 含义 | |---|---|---| | vector | TENSOR | 读回的向量（b64 时形状也会一并恢复，例如 (8, 2048) 的种群矩阵） | | report | STRING | JSON：source / detected_format / numel / dtype / chars（+ 提示 note） |

⚠ 非 b64 格式里的 ... 与 nan 会被当作 0（从别处复制粘贴的"省略版张量文本"无法还原）。 另外本节点的 IS_CHANGED 会按文件 mtime/大小判断是否需要重读，所以迭代类工作流里文件每轮被覆盖后会被重新读取。

6. Artist Tags → Prompt

用途：把反推结果（json_output 或任意标签串）转成可直接喂 CLIPTextEncode 的提示词画师串。

输入

| 参数 | 类型 | 默认 | 说明 | |---|---|---|---| | weight_mode | 枚举 | rank | 权重策略，见下表 | | top_n | INT | 5 | 取前几个画师（1~60） | | max_weight | FLOAT | 0.8 | 最高权重（0~2） | | min_weight | FLOAT | 0.2 | 最低权重（0~2） | | json_output | STRING | "" | 接 Features → Artist Tags.json_output | | tag_string | STRING | "" | 或者直接给标签串（json 为空时用） | | name_style | 枚举 | spaces | spaces：下划线→空格（bbul_horn → bbul horn，多数底模的习惯）；as_is：保留原样 | | escape_parens | BOOLEAN | True | 把名字里的 ( ) [ ] 转义成 \( \) \[ \]，避免破坏 (name:weight) 语法 | | decimals | INT | 2 | 权重小数位（0~4） | | name_prefix | STRING | "" | 加在每个画师名前（括号内）：填 @ → (@bbul horn:0.80),(@rin31153336:0.40) | | name_suffix | STRING | "" | 加在每个画师名后（括号内）：填 style → (bbul horn style:0.80) |

weight_mode 详解（假设 top_n=5、max=0.8、min=0.2）：

| 模式 | 依据 | 输出示例 | 适用 | |---|---|---|---| | rank（默认） | 名次线性递减 | (a:0.80),(b:0.65),(c:0.50),(d:0.35),(e:0.20) | 最稳，不依赖概率是否饱和 | | equal | 全部 1.0，不加括号 | a,b,c,d,e | 只想给个名单、让模型自己权衡 | | rel | 所选 top_n 的概率做 min-max 归一后映射到 [min,max] | (a:0.80),(b:0.61),(c:0.31),… | 概率分布有区分度时 | | prob | p/pmax 映射到 [min,max] | (a:0.80),(b:0.63),(c:0.36),… | 同上，但对离群值更敏感 | | as_given | 直接沿用 tag_string 里写好的权重 | (bbul horn:0.80),(arl:0.20) | 复用你调好的 GA 串（未写权重时自动退回 rank） |

为什么权重是"启发式"：json_output 里的概率是分类置信度，与提示词权重分属两个空间 （LSNet 特征空间 vs CLIP 文本嵌入空间），没有解析映射；温度/尺度一变数值就变。 所以这里给的是可用的排序权重，不是"真实强度"。 真正控制"风格强度"的更稳做法是在特征空间做混合：Vector Math: mix(V0,V1,0.3) → 再反推成串。

输出

| 输出 | 类型 | 含义 | |---|---|---| | prompt | STRING | 提示词画师串，直接接 CLIPTextEncode.text | | report | STRING | JSON：mode / count / name_prefix / name_suffix / weights / prompt / 每个 tag 的 name+cleaned+weight+prob |

例（输入 (bbul horn:0.8),(rin31153336:0.4),(huhi \(huhi 1211\):0.2),(arl:0.2),(zzzi gn:0.2)， as_given + name_prefix=@）：

(@bbul horn:0.80),(@rin31153336:0.40),(@huhi \(huhi 1211\):0.20),(@arl:0.20),(@zzzi gn:0.20)

整串级的前后拼接（比如在画师串前后加 masterpiece, best quality / detailed）请用 Text Join， 本节点的 name_prefix/suffix 只作用于每个画师名。

7. Text Join

用途：把若干片段拼成一段提示词（替代 easy-use 的 promptConcat，零依赖）。

| 参数 | 类型 | 默认 | 说明 | |---|---|---|---| | separator | STRING | , | 连接符（会自动合并重复分隔符、去掉首尾） | | skip_empty | BOOLEAN | True | 跳过空片段 | | part1..part4 | * | — | 可接 STRING、STRING 列表（如 WD14 Tagger 的输出）、或任何可转字符串的值 |

输出：text（STRING，完整拼接结果）。

表达式语言（Vector Math）

函数共 106 个（含别名，名字大小写不敏感），按用途分组：

| 类别 | 函数 | |---|---| | 度量 / 归一化 | norm magnitude normalize/tnorm snorm(min-max) zscore dot cos_sim/cossim/cosine dist softmax | | 排序 / 选择 | topk topk_ind argmax argmin argsort sort unique flip cumsum cumprod | | 归约 | sum mean std var median prod min max | | 组合 / 形状 | cat stack reshape permute flatten squeeze unsqueeze index slice shape/size numel/count length arange | | 逐元素 | abs neg sqrt square exp log/ln log10 log2 sign floor ceil round trunc relu sigmoid/sigm tanh sin cos tan asin acos atan sinh cosh erf frac step clip/clamp clamp01 ones_like zeros_like | | 插值 / 映射 / 矩阵 | lerp/mix remap where pow/powe outer matmul angle deg2rad rad2deg | | 随机（带随机种） | randn/noise randu/rand seedmix | | 矩阵 / 遗传算法辅助 | rownorm normclip ints/parse_ints reprows/tilerows take setrow/rowset catrows/vstack |

随机分布（带随机种）

| 写法 | 含义 | |---|---| | randn([S,D]) / randn(S,D) | 正态噪声，不写随机种：用全局 RNG，每次调用都不同 | | randn(seed, [S,D]) | 正态噪声，带随机种（与 more_math 的 randn(seed,[shape]) 习惯一致）：同一 seed 永远得到同一张张量 | | randu([S,D]) / randu(seed, [S,D]) | 同上，[0,1) 均匀分布（rand 是别名）；做掩码：randu(seed,[S,D]) < 0.5 | | seedmix(seed, k) | 把基准随机种与轮次 k 混成一个新随机种（randn(seedmix(种, 迭代代数), [S,D]) ⇒ 每轮噪声不同且完全可复现） |

随机种走独立的 torch.Generator，不会扰动全局 RNG；seed 与 shape 都可直接接节点输入（用 Vn/Fn 传）。

sum / mean 的语义（容易踩）

  • 单个张量参数 → 全元素归约成标量：mean(f) = 该向量的所有元素均值
  • 多个参数或列表 → 逐元素相加/平均，保持向量维度：mean(f0,f1,f2) = 三图平均画风向量（不是标量！）

遗传算法辅助函数（GA 工作流用到的算子）

| 函数 | 含义 | |---|---| | rownorm(M[,p]) | 每行（最后一维）范数，保留维度：[N,D] → [N,1]，可直接与 [N,D] 广播 | | normclip(M, lo, hi, ref) | 逐行把范数钳制到 [lo*ref, hi*ref]（只改模长、不改方向）。ref 缺省时取第一行的范数 | | ints('1,2,4'[,first]) | 序号串 → 下标张量 [0,1,3]（默认 1 起始，转 0 起始）；parse_ints 是别名 | | reprows(x, n) / tilerows | 把向量复制成 n 行：[D] → [n,D]（初代种群） | | take(M, i) | 按行取值：take(M,3) → 第 3 行；take(M,[0,1,3]) → 选中 3 行（浮点下标自动取整） | | setrow(M, i, v) / rowset | 整行替换（返回新张量）：setrow(M, 0, f) = 把第 1 行还原成 f | | arange(n[,start,step]) | tensor([0,1,...,n-1]) | | catrows(A,B) / vstack | 按行拼接且保持 2 维：catrows(A[Q,D],B[C,D]) → [Q+C,D]（注意 cat 会把矩阵拍平） |

输出

| 输出 | 类型 | 含义 | |---|---|---| | result | TENSOR | 表达式结果（张量；标量会变成 0 维张量） | | value | FLOAT | 只有当结果是标量时才有意义（如 norm(a)、cos_sim(a,b)），否则为 nan | | text | STRING | 结果的完整文本（含 shape/numel/范数/mean/std），可直接接 Show Text |

三个必须知道的尺度事实

① 不要归一化后再反推（本包最重要的坑）

head 里的 BatchNorm1d 让幅值本身携带信息：running_mean 的范数是 48.13，几乎等于典型特征范数 49 （BN 做的是 (f-μ)/σ，而 μ 与 f 同量级）。把 f 归一化到 ‖f‖=1 后，图像信号被 -μ/σ 常数项淹没（作者实测）：

| 输入 | 反推 top1 | |---|---| | 图0 原始特征（‖f‖=48.96） | poki_(j0ch3fvj6nd) ✅ | | 图0 归一化后（‖f‖=1） | uni_mate ❌ | | 图1 / 图2 归一化后 | uni_mate / uni_mate（全部退化成同一个画师） | | 全零向量 / 纯 -μ 方向 | uni_mate | | 尺度扫描 ‖f·s‖ = 0 / 0.049 / 0.49 / 2.45 / 4.9 | 全是 uni_mate | | 24.48 | jo_shin_ogi | | 48.96（原始） | poki_(j0ch3fvj6nd) ✅ |

规则：反推与风格混合都在原始尺度做；只有纯方向比较（相似度/聚类）才用 normalize() + cos_sim()。 需要统一尺度时用 normalize(V0) * norm(V1)（把 V0 缩放到 V1 的尺度）——这也是节点 l2_normalize 默认关闭、并且 tooltip 里写满警告的原因。

② 范数只在分布外图像上才失控

| 图片 | ‖f‖ | 零元素 | logit 跨度 | p>1e-6 类数 | p_max | |---|---|---|---|---|---| | 迭代日志 8.13 的 6 张（832×1216，同构图同画风） | 48.73~49.21（极差 1.01 倍） | 1533~1547 | 16~18 | 34339~36130 | 0.045~0.205 | | 一张黑底白线画布截图（OOD） | 1.511e9 | 1864 | 1.3e8 | 1 | 1.0000 |

同风格图之间范数极稳（±0.5%），图间余弦 0.990~0.993 → 多图直接算术平均是安全的； 只有混入分布外图像时，"均值被大范数图主导"的问题才会出现，此时 softmax 也会饱和成 1.0/0.0（只能看 logits）。

③ 为什么不用 Show Text / Preview Any 显示张量

  • Show Text 🐍（pysssss）的输入是 ("STRING", {"forceInput": True}) → 类型校验会直接拒绝 TENSOR 连线；
  • 核心 Preview Any（comfy_extras/nodes_preview_any.py）能接，但它先 json.dumps（对张量失败）再 str(tensor)， 而且显式设了 torch.set_printoptions(edgeitems=6)；加上 torch 默认 threshold=1000，2048 维张量只会打印首 6 + ... + 末 6 项。

所以显示/保存统一走 Vector → Text / txt（输出是普通 STRING，完整无省略）。

配套工作流：画师串反推优化 GA v3.2

📄 workflows/画师串反推优化-GA-v3.2.json

把"人肉调画师串权重"变成"在 2048 维画风空间里做遗传算法"：

  • 个体 = 一个 2048 维画风向量 f（不是权重表）；
  • 种群 = [种群数量 × 2048] 矩阵；
  • 一代 = 一次 Queue 运行：读上一代种群 → 筛选亲代 → 亲代变异 → 亲代交叉 → 子代变异 → 组装 → 写回缓存；
  • 评价 = 人（看图）；把要看图的那几行填进 亲代保留列表，下一代接着进化；
  • 每一代都会把每个个体反推成画师串记进日志 output/ga_vector_log.txt（append），并采样出图。

数据流

flowchart TD
    Q["Queue 一次 = 一代<br/>迭代代数 自动 +1"] --> C{"迭代代数 == 0 ?"}
    C -- 是 --> INIT["初始化种群<br/>normclip(reprows(f0, P) + σ·randn(seed,[P,D]), 0.5, 2, ‖f0‖)<br/>setrow(·, 0, f0) ← 第 1 行还原为初始向量"]
    C -- 否 --> READ["读缓存矩阵<br/>output/lsnet_vectors/ga_vector_cache.txt"]
    READ --> SEL["筛选亲代<br/>take(M, clip(ints(亲代保留列表), 0, 行数-1))"]
    SEL --> PMUT["亲代变异<br/>randu(seed,[N,1]) &lt; 亲代变异率 → + σ·randn → normclip"]
    PMUT --> CROSS["亲代交叉<br/>take(M,i1)·α + take(M,i2)·(1−α)<br/>i1≠i2 已做去重"]
    CROSS --> CMUT["子代变异<br/>randu(seed,[C,1]) &lt; 子代变异率 → + σ·randn → normclip"]
    CMUT --> ASM["组装 catrows(亲代, 子代)"]
    INIT --> WR
    ASM --> WR["写回缓存<br/>b64 + 按代数存档 output/历代缓存/"]
    WR --> POP[("种群矩阵 P × 2048")]
    POP --> LOOP["for i in 0..P−1（easy forLoop）"]
    LOOP --> TAKE["take(M, i) → 第 i 行"]
    TAKE --> TAGS["LSNet Features → Artist Tags"]
    TAGS --> PROMPT["Artist Tags → Prompt<br/>weight_mode=prob, name_prefix=@"]
    PROMPT --> LOG["累加日志 → ga_vector_log.txt（append）"]
    PROMPT --> SAMP["promptLine → CLIPTextEncode → 采样出图"]
    LOG --> Q

变异强度是怎么算的（工作流里的 a/4525）

初始种群：normclip(reprows(f0,P) + σ·randn(seed,[P,D]), 0.5, 2, ‖f0‖)， 其中 σ = (变异强度/100)·‖f0‖/√D，工作流把 /100·√D 合并成常数 4525（= 100·√2048）。

于是 变异强度 = 1 的含义是"每行扰动范数 ≈ ‖参考向量‖ 的 1%"（本仓库重放实测： ‖f0‖=49.00、变异强度=1 时每行噪声范数 ≈ 0.485，即 0.99%）。 节点面板上的 Note 写"推荐 0.5~2"就是这个 1%~2% 的意思。

⚠ 4525 是硬编码的维数依赖：100·√2048。换成别的 LSNet 变体（特征维度不是 2048）必须同步改这个常数， 否则变异步长会静默失真。等价的免常数写法：randn(seed, shape(M)) * (变异强度/100) * norm(ref) / sqrt(shape(M)[0])。

控制面板（全部由 easy setNode/getNode 变量驱动，改一处全局生效）

| 变量 | 默认（v3.2 自带） | 说明 | |---|---|---| | 迭代代数 | 0（每 Queue 自动 +1） | 由 easy seed(increment) 自增；== 0 走初始化分支 | | 种群数量 | 8 | 每代个体数 = 矩阵行数 = 反推循环次数 | | 亲代保留列表 | 2,5 | 1 起始的行号串，选中要继承的个体（ints 转 0 起始） | | 亲代变异率 | 0 | 亲代是否再扰动（0 = 亲代原样保留，即精英保留） | | 子代变异率 | 0.5 | 子代中有多少比例被扰动 | | 变异强度 | 1 | 单位 %（见上）。实际送进表达式的是 变异强度/4525 | | 范数下限倍率 / 上限倍率 | 0.5 / 2 | normclip 的 [lo, hi]，只改模长不改方向 | | 反推数量 | 10 | 接 LSNet Features → Artist Tags.top_k | | 提示词画师数 | 4 | 接 Artist Tags → Prompt.top_n | | 权重下限 / 上限 | 0 / 1.6 | 接 Artist Tags → Prompt.min_weight/max_weight | | 画师串前缀 | @ | 接 Artist Tags → Prompt.name_prefix（不同底模对画师名前缀要求不同） | | 正面提示词 | 作者示例 | 模板里必须含 artist-tag 占位符 —— 它会被替换成当前个体的画师串 |

怎么跑

  1. 安装依赖（见下），把 workflows/画师串反推优化-GA-v3.2.json 拖进 ComfyUI。
  2. 重新选一张参考图：Load Image 节点默认指向作者输出过的 第3代_00001_.png（不在仓库里）。
  3. 把 正面提示词 换成你自己的模板（保留 artist-tag 占位符），底模/CLIP/VAE 三个加载器换成你本地的。
  4. Queue 一次 = 第 0 代（初始化种群 + 全部个体反推 + 采样）。
  5. 看 output/ 里的图和 ga_vector_log.txt 里每个个体的画师串，把满意的行号填进 亲代保留列表。
  6. 再 Queue = 下一代（自动 +1）。重复到你满意为止。

可复现性提示：工作流里所有随机种子节点（easy seed）的 control_after_generate 是 randomize， 也就是每代随机、不可复现（换来的是探索性）。想要"每代不同但完全可复现"，把种子改成 fixed 并把表达式里的 Vn（种子）换成 seedmix(基准种, 迭代代数)。

第二次采样（潜空间放大）默认被静音（Upscale Latent By + PreSampling + KSampler，mode=4）， 需要时右键 Unmute。

工作流的依赖

| 类型 | 需要 | |---|---| | 本仓库 | Computational-LSNet（7 个节点） | | LSNet 2.0（必需，且只能是 2.0） | comfyui-kaloscope legacy 分支（Manager 里的 lsnet 1.0.8）+ 模型 models/lsnet/kaloscope2.0/ | | 必需插件 | ComfyUI-Easy-Use（for 循环 / 变量 / 提示词 / pipe 采样 / 种子）、ComfyUI-Custom-Scripts（Show Text、Save Text） | | 可选插件 | rgthree-comfy（Lora Loader Stack，工作流里 4 个槽全是 None，不需要可以直接删掉该节点） | | 核心节点 | comfy_extras 的 String Replace / Math Expression / Convert Number / Primitive* 等，ComfyUI 自带 | | 作者环境用的模型 | UNETLoader: chosenMixAnima_v10_fp16.safetensors、CLIPLoader: anima_qwen_3_06b_base.safetensors (stable_diffusion)、VAELoader: qwen_image_vae.safetensors —— 请换成你自己的底模 |

⚠ 工作流默认的 正面提示词 是一个通用模板（masterpiece, best quality, artist-tag, 1girl, lying, on back, on bed, smile, from above, sunlight）， 其中的 artist-tag 是占位符 —— 请换成你自己的场景/角色/画风描述（保留 artist-tag）。 另外还保留了一个连了空输出的 Load Checkpoint（作者的旧底模，SDXL），可直接删掉。

实测数据

| 项目 | 结果 | |---|---| | 张量 → 画师串 与 "图像 → 画师串" 的等价性 | 同一次前向逐比特一致：logits 误差 0.00e+00、概率误差 0.00e+00、top20 顺序一致 | | 仿射性 head(mean f) == mean head(f) | 误差 0.00e+00（重放验证：float32 下 1.2e-07 量级，即浮点噪声） | | 画师串 → 张量 → 画师串 | 30 个随机画师 top1 命中 30/30 | | 序列化往返（plain / comma / lines / b64） | 2048 维误差 0.00e+00（b64 逐比特，且 shape 一并恢复） | | 序列化往返（json） | 6 万次抽样中 82 个元素差 1 ulp（最大绝对误差 9.3e-10）—— json 用小数位取整，见 FAQ | | 存 txt → 读回 → 反推 | 与直接反推完全一致 | | 标签向量 vs 图像特征余弦 | ≈ −0.002（量级 207 vs 49，不可混算） | | GA 工作流表达式重放（18 个 Vector Math 节点） | 形状/索引范围/组装全部正确：[P,D] 种群矩阵、交叉父本无自交、缓存往返逐比特一致 | | 初始种群扰动幅度 | 变异强度=1 → 每行扰动 ≈0.99%·‖f0‖（设计值 1%） |

已知限制 / FAQ

Q：多图/多向量能一起反推吗？ A：可以，两种方式：① 直接给 (N, 2048) 矩阵（例如 stack(f0, f1, f2)），用 aggregate 选 mean_logits 或 mean_probs；② 更常用的是先在 Vector Math 里 mean(f0, f1, f2)（保持向量维度）再反推。 （v3.2 起 LSNet Features → Artist Tags 修掉了"任何多行输入都被拍平成 N*2048 后报维度不匹配"的老 bug。）

Q：json 格式为什么不是严格无损？ A：json 分支用的是 round(x, precision)（保留小数位），而 plain/comma/lines 用 %.9g（有效数字）。 float32 需要的是 9 位有效数字，所以极端情况下 json 会有 1 ulp 差异（≈1e-9）。 要严格逐比特请用 b64（或 plain）。

Q：Vector Math 里 shape(x)[0] 为什么可以当数字用？ A：节点内部 shape() 返回 Python 列表，经下标取值后会被统一转换成 0 维张量。所以 floor(randu(seed,[shape(M)[0]]) * ...)、clip(ints(s), 0, shape(M)[0]-1) 都能直接写； 如果要在嵌套结构里用（例如当 reshape 的参数），写 numel()/Vcnt 这类标量函数更直观。

Q：为什么 Text / txt → Vector 的 trigger 在工作流里是空着的？ A：trigger 是用来强制"先写后读"的（同一个文件先存后取）。而 GA 工作流的语义恰好相反： 它要读的是上一代留下的缓存，所以故意不接，让"读缓存"在"写缓存"之前执行。 如果你在别的图里遇到"文件还不存在"的报错，就把 Vector → Text.vector_out 接进 trigger。 （另外该节点的 IS_CHANGED 按文件 mtime/大小判断，文件被覆盖后会重新读取，迭代工作流不会读到旧值。）

Q：为什么 Artist Tags → Prompt 的权重不能当真？ A：见节点 6 的说明 —— 分类置信度与提示词权重没有解析映射。权重只用来排序， 真正的风格强度请在特征空间里混合。

Q：什么时候适配 Kaloscope 3.0？ A：等 3.0 正式版再说，而且不会破坏 2.0 用户。三条理由：① 上游 3.0 目前是 preview （v1-artist-classifier-epoch26，主干仅训到 46000 步）；② ComfyUI Manager 上可安装的仍是 2.0 版 lsnet 1.0.8， 绝大多数用户装的就是它；③ 3.0 的架构把"画风向量"与"分类头输入"拆成了两条分支， 适配不是改名字而是要把归一化、聚合语义和 GA 的尺度旋钮一并重写（清单见 3.0 差异）。 触发条件（满足任一即可动手）：Manager 上出现 3.0 节点 / 3.0 出正式版 / 你自己实测 3.0 的反推质量优于 2.0。 适配时会做成双版本自适应（节点自动识别 v2/v3），并保留现有 2.0 工作流不动。

Q：能反推"图像里没有的画师"吗？ A：可以，路径就是 画师串 → (节点2) 向量 → (节点1) 反推，属于"探针方向"而非质心（见节点 2 的限制）。

仓库结构 / 开发

Computational-LSNet/
├── __init__.py        # 7 个节点（AnyType 端口、路径解析、提示词拼装）
├── vmath.py           # 表达式求值器：ast 白名单（不用 eval）、106 个函数、向量↔文本
├── workflows/
│   └── 画师串反推优化-GA-v3.2.json
├── requirements.txt
└── README.md
  • vmath.py 是纯函数模块，可以直接 import 做单元测试（vmath.evaluate(expr, {"V0": tensor})）。
  • __init__.py 在 folder_paths 不可用时优雅降级（输出目录退回包内 output/），所以能在 ComfyUI 之外独立测试。
  • 目录名带连字符也没关系：包加载失败时会按文件路径兜底加载 vmath.py。

Credits & Attribution

  • 上游 / 附属声明：本包是 comfyui-kaloscope （作者 spawner1145；旧名 comfyui-lsnet）的附属（add-on）节点包，当前对接的是它的 legacy 分支（= LSNet 2.0 架构 / ComfyUI Manager 上的 lsnet 1.0.8；main 分支的 Kaloscope 3.0 尚未适配）。 本包不修改上游插件的任何文件与权重，只是接在 LSNet Model Loader / LSNet Common Features 的公开输出上； 上游为 GPL-3.0 许可，本包不复制其代码，因此以 MIT 授权本包自身代码。 单独安装本包时节点 1/2 会因为缺少 LSNET_MODEL 句柄而无法工作。
  • 参考实现：Vector Math 的表达式语言、函数命名与随机分布接口参考了 mcDandy/more_math（more_math）。 本节点的差异是把 Vn/Fn 从 String/Float 换成任意类型端口，从而能直接接收 TENSOR， 并补充了矩阵 / 遗传算法算子（rownorm、normclip、ints、reprows、take、setrow、catrows、seedmix…）。
  • 作者与实现： 思路、算法与架构设计 = 本项目作者；代码实现（节点与工作流）= Hermes Agent（Nous Research）/ DeepSeek V4.1 Flash， 在作者逐步引导与实测反馈下完成。
  • 技术栈：ComfyUI（自定义节点 API）、PyTorch、ast 白名单表达式求值（不使用 eval）。

License

MIT © 2026 let-the-name-be-x1

上游 comfyui-lsnet 与本包各自遵循其自身许可；本包只调用其公开节点，不分发其代码或权重。