feat(optimizer): integrate EmoSens v3.9.1 optimizer

[777441]

概述

集成 EmoSens v3.9.1 优化器。

变更内容

• 新增文件vendor/sd-scripts/library/optimizers/emosens.py — EmoSens 优化器实现（Apache 2.0）
• 修改vendor/sd-scripts/library/train_util.py — 在 get_optimizer() 的 Automagic 分支后注册 EmoSens
• 修改mikazuki/schema/shared.ts — LR_OPTIMIZER / ANIMA_FAST_LR_OPTIMIZER dropdown 添加选项
• 修改mikazuki/schema/anima-finetune.ts — finetune dropdown 添加选项
• 修改NOTICE.md — 添加了EmoSens(Apache 2.0) 的归属声明

归属与许可

• EmoSens 原作者：[muooon]，Apache 2.0 许可
• 已在 NOTICE.md 中添加完整归属条目

注册方式

遵循 get_optimizer() 中 Automagic 的注册模式：

1. train_util.py 中添加 elif 分支
2. schema dropdown 中添加选项（Automagic 之后）

自测情况

• Anima LoRA 训练正常完成。
• 仅测试了搭配constant调度器下的使用，在loss值到达代码中指定的loss值后控制台会有提醒。

--- 本次代码均由Claude code接入mimo2.5pro完成

• Add EmoSens optimizer (Apache 2.0) with lazy ECC patching (backward hook attached at instantiation, no side-effect on other optimizers)
• Register EmoSens in get_optimizer() after Automagic branch in train_util.py
• Add EmoSens to LR_OPTIMIZER and ANIMA_FAST_LR_OPTIMIZER dropdowns in shared.ts
• Add EmoSens to finetune optimizer dropdown in anima-finetune.ts
• Add EmoSens Apache 2.0 attribution with DOI reference in NOTICE.md

[wochenlong]

感谢贡献！整体集成方式清晰，和本仓库现有 Automagic 的模式一致，方向是对的 👍

可以的部分（合并方向 OK）

• �endor/sd-scripts/library/optimizers/emosens.py + rain_util.py 注册：Kohya / Anima 全量微调等走 get_optimizer() 的训练链路会生效，放在 Automagic 后是约定写法，没有技术依赖问题。
• NOTICE.md 归属：Apache 2.0 来源、链接与说明完整，符合仓库要求。
• shared.ts / �nima-finetune.ts 下拉：Kohya LoRA、Anima Finetune 侧加选项合理；schema 由后端加载，不必改 rontend/dist。
• 自测说明：Anima LoRA + constant 调度能跑通，对 review 很有帮助。

合并前希望补全的部分

1. Anima Fast 下拉请先去掉 EmoSens（或整段 Fast optimizer 不加）
   Fast 模式实际跑的是 extensions/anima_lora 上游的 rain.py，不会走本 PR 改的 �endor/sd-scripts/train_util.py；且 mikazuki/anima_fast_backend/adapter.py 的 FAST_SUPPORTED_OPTIMIZERS 白名单里目前没有 EmoSens，用户选了会在开训前直接被拒绝。建议：Fast 页暂不提供该选项，等 Fast 插件侧真正支持后再加。

2. 学习率说明 / 提示
   EmoSens 对 LoRA 推荐 lr≈1.0，而 UI 默认常为 1e-4。建议在 schema 描述或文档里注明「选用 EmoSens 时请把 learning_rate 调到约 1.0」，或在 adapter 里像 Automagic 一样加一条 warning，避免用户按默认 lr 训练效果偏差。

3. （可选）optimizer_args_custom 说明
   stopcoef、
   otify 等参数若需自定义，可走现有 optimizer_args_custom；可在 PR 或简短文档里写一句，方便进阶用户。

4. （可选）维护者冒烟
   合并后我们会在 main 上补一次 SD3 LoRA + Anima Finetune 的快速验证；若你方便也可再补一条非 constant 调度器的自测说明。

---

结论：核心实现可以合；请至少处理 第 1 点（Fast 下拉），第 2 点强烈建议一并改。改完后 @ 我或直接 push 到同一 PR，我们尽快 review 合并。再次感谢！

[777441]

@wochenlong

自测环境与结果

本地环境

项目	详情
GPU	AMD RX580
测试范围	最低启动与正常运行验证（单张空白图）
训练实测	未进行

云端环境

项目	详情
GPU	H20
PyTorch	2.7.0(cuda12.8)
Attention	Flash Attention 2
训练集	20 张
训练量	1 batch × 10 epoch（最低限度默认参数）

已通过的训练组合

网络	调度器	状态
LoRA	constant	✅
LoKr	constant	✅
T-LoRA	constant	✅
LoRA-FA	linear	✅
VeRA	cosine	✅
LoHa	polynomial	✅

以上组合均正常完成训练，未出现报错或中断。
LoRA-FA 训练曲线

VeRA 训练曲线

LoHa 训练曲线