什么是Stable Diffusion，什么是炼丹师？根据市场研究机构预测，到2025年全球AI绘画市场规模将达到100亿美元，其中Stable Diffusion（简称SD）作为一种先进的图像生成技术之一，市场份额也在不断增长，越来越多的人参与到AI掘金这场运动中来。炼丹师，就是指那些专门研究、开发与应用Stable Diffusion模型的专业人士或爱好者，他们在实践中不断优化模型，使其产生更高质量、更具创意的图像。
目录
_1 SD绘画原理
_
2 本地部署安装SD WebUI
3 生成第一张SD绘画
**一、**SD绘画原理
基本概念
| 名词 | 解释说明 |
| Stable Diffusion | 是一种基于扩散模型的先进的人工智能技术，特别适用于文本到图像（Text-to-Image）的生成任务。该模型由CompVis、Stability AI、LAION等研究机构和公司合作研发，它利用扩散过程在潜在空间（latent space）中生成图像，而不是直接在高维像素空间中操作。 |
| SD WebUI | Stable Diffusion Web UI (SD WebUI) 是一个用于交互式控制和使用 Stable Diffusion 模型的网页应用程序界面。用户可以通过这个界面输入文本提示（prompt）来驱动模型生成相应的图像，提供了简单易用的方式来体验和定制基于 Stable Diffusion 的文本到图像生成过程。 |
| Python | 是一种广泛使用的高级编程语言，以其语法简洁清晰和代码可读性强而著称。在AI领域，Python尤为流行，因为它拥有丰富的科学计算、机器学习和数据处理相关的库，比如NumPy、Pandas和TensorFlow等。在部署和使用像Stable Diffusion这样的深度学习模型时，Python常被作为开发和运行环境的基础。 |
| Controlnet插件 | 是针对 Stable Diffusion 模型开发的一种功能扩展插件，它允许用户在文本生成图像的过程中实现更为细致和精确的控制。该插件使得用户不仅能够通过文本提示（prompt）指导模型生成图像，还能添加额外的输入条件，比如控制图像的构图、颜色、纹理、物体位置、人物姿势、景深、线条草图、图像分割等多种图像特征。通过这种方式，ControlNet 提升了 AI 绘画系统的可控性和灵活性，使得艺术创作和图像编辑更加精细化。 |
| Controlnet模型 | 是配合上述插件工作的一个组成部分，它是经过训练以实现对大型预训练扩散模型（如 Stable Diffusion）进行细粒度控制的附加神经网络模型。ControlNet 模型可以学习如何根据用户的特定需求去调整原始扩散模型的输出，即便是在训练数据有限的情况下，依然能够确保生成结果的质量和稳定性。例如，ControlNet 可能包括用于识别和利用边缘映射、分割映射或关键点信息的子模块，从而实现对生成图像的特定区域进行针对性修改或强化。 |
| VAE | Variational Autoencoder (VAE): 变分自编码器是一种概率生成模型，它结合了编码器（将输入数据编码为潜在空间中的概率分布）和解码器（从潜在空间重构数据）的概念。在图像生成场景中，VAE可以用来学习数据的潜在表示，并基于这些表示生成新的图像。 |
| CHECKPOINT | SD能够绘图的基础模型，因此被称为大模型、底模型或者主模型，WebUI上就叫它Stable Diffusion模型。安装完SD软件后，必须搭配主模型才能使用。不同的主模型，其画风和擅长的领域会有侧重。checkpoint模型包含生成图像所需的一切，不需要额外的文件。 |
| hyper-network | 超网络是一种模型微调技术，最初是由NOVA AI 公司开发的。它是一个附属于Stable Diffusion 稳定扩散模型的小型神经网络，是一种额外训练出来的辅助模型，用于修正SD稳定扩散模型的风格。 |
| LORA | 全称是Low-Rank Adaptation of Large Language Models 低秩的适应大语言模型，可以理解为SD模型的一种插件，和hyper-network，controlNet一样，都是在不修改SD模型的前提下，利用少量数据训练出一种画风/IP/人物，实现定制化需求，所需的训练资源比训练SD模要小很多，非常适合社区使用者和个人开发者。LoRA最初应用于NLP领域，用于微调GPT-3等模型（也就是ChatGPT的前生）。由于GPT参数量超过千亿，训练成本太高，因此LoRA采用了一个办法，仅训练低秩矩阵（low rank matrics），使用时将LoRA模型的参数注入（inject）SD模型，从而改变SD模型的生成风格，或者为SD模型添加新的人物/IP。 |
prompt | 提示词/咒语 |
工作原理
Stable Diffusion就是一个接收文本提示词，并生成相应图像的生成模型。
SD来自于扩散模型（Diffusion Model）
扩散模型：（Diffusion Model）的核心原理被生动地比喻为物理学中的扩散过程，通过前向扩散过程逐渐将图像转化为噪声图像，然后通过反向扩散过程恢复出清晰的图像。在Stable Diffusion中，模型训练了一个噪声预测器（noise predictor），它是一个U-Net结构的神经网络，可以预测并从图像中去除噪声，从而重构原始图像。
然而，传统的扩散模型在图像空间中的运算效率极低，不适合实时应用。为此，Stable Diffusion采用了在潜在空间（latent space）中进行扩散的过程，利用变分自编码器（VAE）将图像压缩到较低维度的空间，极大地提高了计算速度和效率。
Stable Diffusion的具体工作流程包括：
-
输入图像被编码到潜在空间。
-
添加噪声，并通过噪声预测器估算添加的噪声量。
-
反复迭代，通过噪声预测器预测并减去潜在噪声。
-
使用VAE的解码器将清理过的潜在图像转换回像素空间，生成最终图像。
学习资料
国外一手资料:
stability.ai官网
https://stability.ai/aboutgithub开源项目
https://github.com/CompVis/stable-diffusion/blob/main/README.md
The Illustrated Stable Diffusion @Jay Alammar 讲的原理
https://jalammar.github.io/illustrated-stable-diffusion/
知乎：
（2道贩子们翻译得比较好的两篇中文）
《深入浅出讲解Stable Diffusion原理，新手也能看明白》
https://zhuanlan.zhihu.com/p/627133524《【Stable Diffusion】之原理篇》
https://zhuanlan.zhihu.com/p/618862789
B站：
（国内大佬@秋葉aaaki 提供SD WebUI的视频教学，其他营销号容易胡讲瞎讲）
@秋葉aaaki【【AI绘画】深入理解Stable Diffusion！站内首个深入教程，30分钟从原理到模型训练 买不到的课程】
https://www.bilibili.com/video/BV1x8411m76H/?share_source=copy_web&vd_source=75d4be47499638bec0f237ad9482ad50Stable Diffusion 潜工具书 （必读@秋葉aaaki 整理的电子书）https://docs.qq.com/doc/p/230e7ada2a60d8e347d639edd5521f5e62332fe9
二、本地部署安装SD WebUI
硬件条件
说明：本地部署的硬件要求，当然使用云端部署租赁更高端的机器也是没问题。
最低推荐配置 | 推荐配置 | 备注 | |
显卡（GPU） | GTX1050Ti | 低配推荐：RTX4060Ti-16G高配推荐：RTX4090 | 为达到良好的体验，请尽可能使用8GB显存及以上显卡。低显存虽然能跑，但是体验极差 |
内存（RAM） | 8GB内存 | 总内存24GB及以上 | 可以开启虚拟内存，内存过小会在加载模型的时候出现问题 |
存储空间 | 20GB任意存储设备 | 500GB以上固态硬盘 | 强烈建议单独使用一个盘符，如果不想启动的时候等10分钟的话，那么只推荐使用SSD |
CPU | x86架构的Intel或AMD等处理器都可以， 若为Mac电脑建议使用搭载M系列芯片的机型。 | ||
- 显卡VRAM在4GB以下的会很容易遇到显存不足的问题，即使使用放大插件也就非常慢（以时间换显存）
2. 显卡较差/显存严重不足时可以开启CPU模式，但是速度非常慢。你不希望一个小时一张图的话那就别想着用CPU跑图。
软件需求
Windows：最低要求为Windows 10 64比特，请确保系统已更新至最新版本。
macOS：最低要求为macOS Monterey (12.5)，如果可以的话请使用最新版macOS。建议使用搭载Apple Silicon M芯片 (M1、M2) 的Mac机型。旧款Mac需配备AMD独立显卡，只有Intel核显的不能使用。
下载地址 (不藏着掖着，直接拿走不谢)
SD WebUI秋叶整合包与SD Webui绘世启动器
https://pan.quark.cn/s/2c832199b09b#/list/share
SD WebUI秋叶整合包【A卡适配版】
https://pan.quark.cn/s/19a36cab36ac#/list/share
安装部署
2024.1月 更新了最新的整合包，无需任何操作即可达到最佳速度，解压打开即用，内置启动器。
整合包做了哪些事情？打包了 Python、Git、CUDA 等等必须的环境，并且放了运行必须的模型。简单来说，整合包就是 SD-WebUI内核+启动器+安装好的环境+必须的模型。你只需下载它解压就可以直接启动运行！
特别鸣谢，安装包作者@秋葉aaaki
**三、**生成第一张SD绘画
启动“A启动器.exe”
加载更新
点击“一键启动”
[不要关闭它],它会自动打开，浏览器地址"http://127.0.0.1:7860/?__theme=dark"
基本功能介绍
| 界面及操作说明 | |
| stable diffusion模型 | 下拉，替换大模型/底模 |
| 正面提示词 Tag | （想要的内容，提示词） 如：masterpiece, best quality, |
| 反面提示词 Tag | （不想要的内容，提示词） 如：lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry |
| 提示词加权重 | (girl) 加权重，这里是1.1倍。 （(girl)) 加很多权重，1.1*1.1=1.21倍，以此类推。 |
| 提示词减权重 | [girl] 减权重，一般用的少。减权重也一般就用下面的指定倍数。 |
| 提示词指定权重 | (girl:1.5) 指定倍数，这里是1.5倍的权重。还可以 (girl:0.9) 达到减权重的效果 |
| 采样迭代步数 | 不需要太大，一般在50以内。通常28是一个不错的值。 |
| 采样方法 | 没有优劣之分，但是他们速度不同。全看个人喜好。推荐的是图中圈出来的几个，速度效果都不错 |
| 提示词相关性 | 代表你输入的 Tag 对画面的引导程度有多大，可以理解为 “越小AI越自由发挥”，太大会出现锐化、线条变粗的效果。太小AI就自由发挥了，不看 Tag |
| 随机种子 | 生成过程中所有随机性的源头 每个种子都是一幅不一样的画。默认的 -1 是代表每次都换一个随机种子。由随机种子，生成了随机的噪声图，再交给AI进行画出来 |
切换webUI黑白皮肤，修改浏览器http地址：
白：http://127.0.0.1:7860/?__theme=light
黑：http://127.0.0.1:7860/?__theme=dark
输入提示词【1 girl】，点击生成即可：
（我安装了皮肤插件，所以和你运行的界面稍微酷炫一点_）
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
一、AIGC所有方向的学习路线
AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、AIGC必备工具
工具都帮大家整理好了，安装就可直接上手！
三、最新AIGC学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、AIGC视频教程合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
