我奶奶都能学会的Stable Diffusion｜文生图底子教程

随着深度学习技术的发达发展，天生对抗网络（GANs）特别是Stable
Diffusion（简称SD）在图像天生领域取得了令人瞩目的成果。本教程旨在为广大对SDAI文生图技术感兴趣的学习者提供一个入门级的指南，资助大家快速上手并把握这一前沿技术。

有需要stable diffusion整合包以及提示词插件，可以扫描下方，免费获取

01.模型选择
AI绘画最紧张的是需要清晰自己的创作需求，即自己渴望出来的图片是什么风格、什么场景、什么人物等等。
那么我根据需求将模型分为五种类型：

• 官方模型 ：由Stable Diffusion团队官方出的大模型，也叫底模；
  
• 二次元模型 ：模型练习的数据以二次元的素材为主，对于二次元的场景和人物有着针对性的优化，出图效果好；
  
• 真实系模型 ：模型练习的数据以现实照片素材为主，对于真实感和人物细节的还原会比其他模型好非常多；
  
• 2.5D模型 ：多为混合模型，出来的效果图在二次元的底子上带有真实效果，类似于3D建模；
  
• 其他模型 ：其他一些垂直领域的模型，如平面设计、魔幻场景、建筑风格等等；
  

选择需要使用的模型（底模），这是对天生结果影响最大的因素，重要体现在画面风格上。

02.写关键词
在中，关键词（或称为提示词）可以分为正向（Prompt）和反向（Negative prompt）两种，它们分别用于指导和限制模型天生图像的方向。
1、SD关键词根本规则：
A：关键词之间必须用英文状态下的逗号分割；
B：关键词是可以分行写的，特别是不同性子的关键词：
C：每个关键词的默认权重都是一样的为1，但越靠前的关键词，系统会自动分配更高一级的权重。以是我们在写关键词的时候，应当尽可能将需要突出的特征关键词放在前面位置；
D：关键词的数量并非越多越好。我们在SD中可以看到，关键词框背面有个75的数字，即表明系统默认为最多写75个单词，多出的关键词并不能对系统天生的结果起到明显的作用。
2、关键词中符号的用法：
A：在SD关键词中我们经常用（）、[]、<>来设置某个关键词在整体中的权重。
（ ）：将关键词放在小括号中，表现这个关键词的权紧张提升10%即为1.1，小括号最多可以叠加三层(((
))),即表现这个关键词权重提升到1.331。固然更多的时候我们是只用一层小括号，然后在关键词背面加：和权重数字。好比（blue eyes：1.4）如许。
[ ] :将关键词放在中括号内，表现这个关键词的权紧张降低10%即为0.9，中括号同样最多叠加三层[[[ ]]]表现这个关键词权重降低到0.729.
{ }：将关键词放在大括号中，也是表现这个关键词的权重会增长，但它的提升幅度要比小括号( )小。一层{ }只能提升5%。
B：< >尖括号的作用重要是在关键词中引入Lora。格式为<Lora名称：Lora文件的触发词：Lora权重>
C：_ 英文状态下的下划线。它通常用在两个关键词之间，表现这两个关键词是精密联系的。好比
milk，cake两个关键词分开写SD系统会认为是表现牛奶、蛋糕两个品种，而 milk_cake表现牛奶蛋糕，一个品种。
3、控制关键词的生效时间：
在SD的关键词中，有时我们会需要控制某个关键词的生效时间，以控制该关键词特征在整体图片中的比例或权重，这时我们可以将此关键词放入中括号[
]，加：生效时间段比例。好比：forest，tree，stone，bird，[flowers:0.8]

在第上面的框中填入提示词（Prompt），对想要天生的东西举行文字形貌在第下面框中填入负面提示词（Negative
prompt)，你不想要天生的东西举行文字形貌。
03.参数调整
选择采样方法、采样次数、图片尺寸等参数。

1、采样方法：

•Sampler（采样器/采样方法） 选择使用哪种采样器。Euler a（Eular
ancestral）可以以较少的步数产生很大的多样性，不同的步数可能有不同的结果。而非 ancestral 采样器都会产生根本雷同的图像。DPM
干系的采样器通常具有不错的效果，但耗时也会相应增长。
•Euler 是最简朴、最快的
•Euler a 更多样，不同步数可以生产出不同的图片。但是太高步数 (>30) 效果不会更好。
•DDIM 收敛快，但服从相对较低，因为需要很多 step 才能得到好的结果，适合在重绘时候使用。
•LMS 是 Euler 的衍生，它们使用一种干系但稍有不同的方法（均匀已往的几个步调以提高准确性）。大概 30 step 可以得到稳定结果
•PLMS 是 Euler 的衍生，可以更好地处置惩罚神经网络布局中的奇特性。
•DPM2 是一种神奇的方法，它旨在改进 DDIM，淘汰步调以得到精良的结果。它需要每一步运行两次去噪，它的速率大约是 DDIM
的两倍，生图效果也非常好。但是假如你在举行调试提示词的实验，这个采样器可能会有点慢了。
•UniPC 效果较好且速率非常快，对平面、卡通的表现较好，保举使用。
2、迭代步数：

•Sampling Steps（迭代步数） Stable Diffusion
的工作方式是从以随机高斯噪声起步，向符合提示的图像一步步降噪接近。随着步数增多，可以得到对目的更小、更准确的图像。但增长步数也会增长天生图像所需的时间。增长步数的边际收益递减，取决于采样器。一般开到
20~30。
•不同采样步数与采样器之间的关系：

3、CFG：

•CFG Scale（提示词干系性）
图像与你的提示的匹配水平。增长这个值将导致图像更接近你的提示，但它也在一定水平上降低了图像质量。可以用更多的采样步调来抵消。过高的 CFG Scale
体现为粗犷的线条和过锐化的图像。一般开到 7~11。CFG Scale 与采样器之间的关系：

4、批次：

•总批次数 每次天生图像的组数。一次运行天生图像的数量为“批次* 批次数量”。
•单批数量 同时天生多少个图像。增长这个值可以提高性能，但也需要更多的显存。大的 Batch Size 需要斲丧巨量显存。若没有超过 12G
的显存，请保持为 1。
5、尺寸：
•尺寸 指定图像的长宽。出图尺寸太宽时，图中可能会出现多个主体。1024 之上的尺寸可能会出现不理想的结果，保举使用小尺寸分辨率+高清修复（Hires
fix)。
6、种子：
•种子 种子决定模型在天生图片时涉及的所有随机性，它初始化了 Diffusion 算法出发点的初始值。理论上，在应用完全雷同参数（如
Step、CFG、Seed、prompts）的环境下，生产的图片应当完全雷同。
7、高清修复：
•高清修复

通过勾选 “Hires. fix”
来启用。默认环境下，文生图在高分辨率下会天生非常混沌的图像。假如使用高清修复，会型起首按照指定的尺寸天生一张图片，然后通过放大算法将图片分辨率扩大，以实现高清大图效果。最终尺寸为（原分辨率*缩放系数
Upscale by)。
•放大算法中，Latent 在很多环境下效果不错，但重绘幅度小于 0.5 后就不甚理想。ESRGAN_4x、SwinR 4x 对 0.5
以下的重绘幅度有较好支持。
•高分迭代步数 表现在举行这一步时计算的步数。
•重绘幅度，表现为末了天生图片对原始输入图像内容的变化水平。该值越高，放大后图像就比放大前图像差异越大。低，意味着修正原图，高 ，
就和原图就没有大的干系性了。一般来讲阈值是 0.7 左右，超过 0.7 和原图根本上无关，0.3 以下就是稍微改一些。
8、面部修复：
•面部修复 修复画面中人物的面部，但黑白写实风格的人物开启面部修复可能导致面部崩坏。

9、天生：
•点击“天生”

关于AI绘画技术储备

学好 AI绘画 岂论是就业还是做副业赢利都不错，但要学会 AI绘画 还是要有一个学习规划。末了大家分享一份全套的 AI绘画 学习资料，给那些想学习 AI绘画 的小伙伴们一点资助！
对于0底子小白入门：
   假如你是零底子小白，想快速入门AI绘画是可以考虑的。
  一方面是学习时间相对较短，学习内容更全面更会合。
二方面是可以找到适合自己的学习方案
  包罗：stable diffusion安装包、stable diffusion0底子入门全套PDF，视频学习教程。带你从零底子系统性的学好AI绘画！
零底子AI绘画学习资源先容