前言：
ComfyUI的学习是一场持久战，当你掌握ComfyUI的安装和运行之后，会出现琳琅满目的节点，当各种各样的工作流映入眼帘，往往难以接受纷繁复杂的节点种类，本篇文章将以通俗易懂的语言，对ComfyUI的各种核心节点进行系统的梳理和参数的详解，祝愿大家在学习的过程中掌握自我思考的能力，并且切实的掌握和理解各个节点的用法与功能。
目录：
一、Latent Composite节点
二、LatentCompositeMasked节点
三、Upscale Latent节点
四、Set Latent Noise Mask节点
五、Load LoRA节点
LoRA示例工作流
一、Latent Composite节点
节点功能：该节点类似于图层叠加结点，区别在于这个在潜空间对图像进行叠加。
输入：
samples_to -> 接收叠加的潜空间图层之一 **该参数传入的图片为图层底层**
samples_from -> 接收叠加的潜空间图层之一 **该参数传入的图片为图层上层**注意：我们传入的是latent参数，传入后预览需要使用VAE解码，而且保证前后使用的VAE相同！
参数：
x -> 上层图层叠加位置的的x坐标 **ComfyUI中坐标原点为左上角**
y -> 上层图层叠加位置的的y坐标 **ComfyUI中坐标原点为左上角**
feather -> 表示边缘的羽化程度注意：下图示例设置feather为216可以看到上层图层的边缘有羽化，设置y坐标为24，粘贴位置向下偏移。
输出：
LATENT -> 输出图层叠加后的潜空间图像 **和前面latent使用同一VAE解码**二、LatentCompositeMasked节点
节点功能：该节点将latent图像进行叠加，但是上层图像可以通过蒙版进行选择性粘贴。
输入：
destination -> 底层潜空间图像
source -> 上层潜空间图像
mask -> 使用mask对上层潜空间图像进行分割注意：如下图所示，在source图像中给出蒙版信息，传入LatentCompositeMasked节点，用来限制粘贴区域，后续经过VAE解码得到图像，仅粘贴了蒙版区域。
参数：
x -> 表示粘贴区域的x坐标 **ComfyUI坐标原点位于左上角**
y -> 表示粘贴区域的y坐标 **ComfyUI坐标原点位于左上角**
resize_source -> 表示是否对蒙版区域进行分辨率调整输出：
LATENT -> 输出图层叠加后的潜空间图像 **和前面latent使用同一VAE解码**三、Upscale Latent节点
节点功能：该节点对潜空间图像进行分辨率调整，仅使用数学方式进行像素填充。
输入：
samples -> 传入的原始潜空间图像参数:
upscale_method -> 表示像素填充的方法
width -> 调整后潜空间图像的宽度
height -> 调整后潜空间图像的高度
crop -> 表示是否对图像进行裁剪注意：潜空间图像的方法并不会很完美的融合图像，通过VAE解码后会出现毁坏的情况，！！！正确的做法是使用KSampler采样器进行二次采样，从而使得图像更加的美观！！！
输出：
LATENT -> 输出尺寸调整之后的潜空间图像四、Set Latent Noise Mask节点
节点功能：该节点对潜空间图像增加蒙版，从而控制扩散区域
输入：
samples -> 接收传入的潜空间图像
mask -> 接收传入的蒙版信息注意：因为该设置传入的蒙版并没有羽化的操作，所以会导致蒙版区域的扩散和原始图的融合度很低，不建议使用。
输出：
LATENT -> 输出带有蒙版信息的潜空间图像五、Load LoRA节点
节点功能：该节点加载Lora模型，并且设置lora模型的权重。
输入：
model -> 加载扩散使用的大模型 **lora的训练会使用一个大模型底模，对应的底模效果最好**
clip -> 加载使用的CLIP模型参数：
lora_name -> 需要使用到的lora模型 **配置好路径文件，模型可以自行选择**
strength_model -> 修改大模型的扩散强度 **可以设置为负值**
strength_clip -> 修改CLIP模型的强度 **可以设置为负值**输出：
MODEL -> 修正后的大模型作为输出
CLIP -> 修正后的CLIP模型作为输出注意：如图所示，使用一个“水晶”类型的lora进行模型的扩散，最终得到的图像就会受到lora的影响。
lora训练时常会使用一个统一的标签，所以在提示词输入框，需要输入lora的引导词作为指导。
lora示例工作流：
学习完以上节点，您就可以搭建“lora示例”工作流了
这里使用SDXL的大模型，使用“流体”对应的lora，设置潜空间图片为XL适用的1024*1024进行扩散，提示词中加入Lora模型对应的引导词，从而获得最终图像：
孜孜不倦,方能登峰造极。坚持不懈,乃是成功关键。
