Stable Diffusion本地部署的步骤一般包括准备环境、下载Stable Diffusion模型和依赖库、配置运行参数等。下面是一个通用的教程，用以在计算机上本地部署Stable Diffusion。
准备环境
1. 确保硬件满足最低要求：
- 一块NVIDIA GPU，至少4GB显存（推荐更高显存）
- 足够的磁盘空间来存储模型和你生成的图片
2. 安装NVIDIA驱动和CUDA Toolkit：
- 根据操作系统和GPU型号，从[NVIDIA官网](https://www.nvidia.com/Download/index.aspx)下载并安装合适的驱动。
- 下载并安装对应的[CUDA Toolkit](https://developer.nvidia.com/cuda-downloads)。
安装依赖软件
1. 安装Anaconda或Miniconda：
- 可以从[Anaconda](https://www.anaconda.com/products/distribution#download-section)官网或[Miniconda](https://docs.conda.io/en/latest/miniconda.html)官网下载安装包。
- 安装完成后，打开Anaconda命令行。
2. 创建一个新的虚拟环境：
conda create -n stable_diffusion python=3.8
conda activate stable_diffusion
3. 安装PyTorch：
- 访问[PyTorch官网](https://pytorch.org/get-started/locally/)，根据CUDA版本获取安装命令。
- 在环境中安装PyTorch，例如：
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
下载Stable Diffusion模型
1. 克隆Stable Diffusion仓库：
git clone https://github.com/CompVis/stable-diffusion.git
cd stable-diffusion
2. 安装所需的Python依赖包：
pip install -r requirements.txt
运行Stable Diffusion
1. 下载预训练模型：
- 先注册并登录Hugging Face (https://huggingface.co/)。
- 在相应Stable Diffusion模型页面获取下载链接，通常需要同意使用条款。
- 下载模型并解压至指定目录。
2. 运行模型进行图像生成：
- 使用命令行或编写Python脚本来运行模型并生成图像。示例Python脚本可能如下：
from stable_diffusion import StableDiffusionModel
model = StableDiffusionModel.from_pretrained("CompVis/stable-diffusion-v1-4")
prompt = "a photograph of an astronaut riding a horse"
image = model(prompt)
image.save("generated_image.png")
具体步骤可能会根据使用的Stable Diffusion版本和具体的系统环境有所不同。在进行部署时需要根据实际情况进行调整。此外，根据Stable Diffusion更新的情况，官方的GitHub仓库提供的步骤可能已经发生变化，因此，建议查看官方文档以获得最新信息。如果在安装过程中遇到问题，通常可以在相关社区、GitHub Issues或堆栈溢出上寻求帮助。
截止2023年，Stable Diffusion 主要是为 NVIDIA 的 GPU 设计的，因为它基于 CUDA 平台进行高效的并行计算。CUDA 是 NVIDIA 开发和推广的，因此并不直接与 AMD 的 GPU 兼容。
不过，对于使用 AMD GPU 的用户有一些替代的解决方案：
1. ROCm (Radeon Open Compute) 是 AMD 的开放计算平台，旨在提供与 CUDA 类似的功能。但是，并不是所有的 deep learning 库都支持 ROCm，而且配置 ROCm 环境通常比 CUDA 更复杂。
2. OpenCL 是一个跨平台的计算平台，理论上可以在任何支持 OpenCL 的设备（包括 AMD GPU）上运行。但是它通常不如 CUDA 在深度学习中表现得那么好，而且很多深度学习库也没有原生支持 OpenCL。
3. HIPify 可以将 CUDA 代码转换为可在 ROCm 上运行的 HIP 代码，但这可能需要一些手动调整，并且并不保证转换过程中的所有功能都能完整保留下来。
为了在 AMD 卡上运行 Stable Diffusion，可能需要找到一个已经做了适配的版本（如果存在的话）或者尝试使用像 HIPify 这样的工具自己进行适配，但这需要相对深厚的专业知识和额外的工作量。在许多情况下，选择使用云服务（如 Google Colab）或者购买具有 NVIDIA GPU 的系统可能是更实用的方法。
