# 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**](https://github.com/spawner1145/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](https://github.com/spawner1145/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](https://github.com/spawner1145/comfyui-kaloscope/tree/legacy) > = 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](#版本兼容性与-30-差异)). > See [Credits](#credits--attribution) — this pack is an affiliate of `comfyui-lsnet`/`comfyui-kaloscope`, its math node is > inspired by [`more_math`](https://github.com/mcDandy/more_math.git), 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](https://github.com/spawner1145/comfyui-kaloscope/tree/legacy)（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**](#版本兼容性与-30-差异)。 ![ComfyUI custom node](https://img.shields.io/badge/ComfyUI-custom%20node-4B8BBE) ![Nodes](https://img.shields.io/badge/nodes-7-8A2BE2) ![Dependencies](https://img.shields.io/badge/dependencies-torch%20only-ee4c2c) ![Python](https://img.shields.io/badge/tested%20on-Python%203.13-3776AB) ![Category](https://img.shields.io/badge/ComfyUI%20category-Computational%20LSNet-2ea44f) --- ## 目录 - [它解决什么问题](#它解决什么问题) - [节点一览](#节点一览) - [安装与依赖](#安装与依赖) - [版本兼容性与 3.0 差异](#版本兼容性与-30-差异) - [三种常用配方](#三种常用配方) - [节点参考](#节点参考) - [1. LSNet Features → Artist Tags](#1-lsnet-features--artist-tags) - [2. LSNet Artist Tags → Features](#2-lsnet-artist-tags--features) - [3. Vector Math](#3-vector-math) - [4. Vector → Text / txt](#4-vector--text--txt) - [5. Text / txt → Vector](#5-text--txt--vector) - [6. Artist Tags → Prompt](#6-artist-tags--prompt) - [7. Text Join](#7-text-join) - [表达式语言（Vector Math）](#表达式语言vector-math) - [三个必须知道的尺度事实](#三个必须知道的尺度事实) - [配套工作流：画师串反推优化 GA v3.2](#配套工作流画师串反推优化-ga-v32) - [实测数据](#实测数据) - [已知限制 / FAQ](#已知限制--faq) - [仓库结构 / 开发](#仓库结构--开发) - [Credits & Attribution](#credits--attribution) --- ## 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 ```bash 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](https://registry.comfy.org)（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](https://github.com/spawner1145/comfyui-kaloscope/tree/legacy) （= 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](#版本兼容性与-30-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**](https://github.com/spawner1145/comfyui-kaloscope/tree/legacy)（旧名 `comfyui-lsnet`）= ComfyUI Manager 上的 `lsnet` **1.0.8** | [`comfyui-kaloscope` **`main` 分支**](https://github.com/spawner1145/comfyui-kaloscope)（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](#三个必须知道的尺度事实)。 **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](#三个必须知道的尺度事实) | `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](#三个必须知道的尺度事实)），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](#已知限制--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/` → `input/` → 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 ```mermaid flowchart TD Q["Queue 一次 = 一代
迭代代数自动 +1"] --> C{"迭代代数 == 0 ?"} C -- 是 --> INIT["初始化种群
normclip(reprows(f0, P) + σ·randn(seed,[P,D]), 0.5, 2, ‖f0‖)
setrow(·, 0, f0) ← 第 1 行还原为初始向量"] C -- 否 --> READ["读缓存矩阵
output/lsnet_vectors/ga_vector_cache.txt"] READ --> SEL["筛选亲代
take(M, clip(ints(亲代保留列表), 0, 行数-1))"] SEL --> PMUT["亲代变异
randu(seed,[N,1]) < 亲代变异率 → + σ·randn → normclip"] PMUT --> CROSS["亲代交叉
take(M,i1)·α + take(M,i2)·(1−α)
i1≠i2 已做去重"] CROSS --> CMUT["子代变异
randu(seed,[C,1]) < 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
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
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](https://github.com/spawner1145/comfyui-kaloscope/tree/legacy)（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](#版本兼容性与-30-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**](https://github.com/spawner1145/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](https://github.com/spawner1145/comfyui-kaloscope/tree/legacy)（= 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**](https://github.com/mcDandy/more_math.git)（`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](https://github.com/let-the-name-be-x1/Computational-LSNet/blob/main/LICENSE) © 2026 [let-the-name-be-x1](https://github.com/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。

Name	Type	Default	Description
tag_string	STRING		—
model	LSNET_MODEL		—

Name	Type	Description
features	TENSOR	—
feature_text	STRING	—
report	STRING	—

LSNet Artist Tags → Features

Inputs (2)

Outputs (3)