目录
1.概述
2. 一键起飞
2.1 Fooocus
2.2 webui
2.3 diffusers
3. 教程
3.1 使用教程
3.2原理
3.3 训练阶段
3.4 采样阶段
4. 大模型微调
4.1 Dreambooth
4.2 LoRA
5. 训练
6. 商业价值
美观性、风格化和可控性是时下流行的 文成图 面临的三座大山，所谓美观性，指的是符合美学规则，不能有脸部畸变、等瑕疵；所谓风格化，指的是有动漫、二次元等多种多样的风格；所谓可控性，指的是可以自由、轻松的控制生成图片中人物的性别、年龄、质态、种族、服装以及场景、光线等的能力. SDXL大幅提升了出图的质量，再也不需要冗长的咒语才能生成差强人意的图片；LoRA仅需要数十张目标人物的图就可以高质量的生成特定人物；ControlNet大幅提升了对于姿态、线条等的控制能力
1.概述
Stable Diffusion，简称SD，通过引入隐向量空间(而不是在像素空间扩散)来解决 Diffusion 速度瓶颈，除了可专门用于文生图任务，还可以用于图生图、特定角色刻画，甚至是超分或者修复任务。文生图模型参数量比较大，基于pixel的方法限于算力往往只能生成64x64大小的图像，比如OpenAI的DALL-E2和谷歌的Imagen，然后再通过超分辨模型将图像分辨率提升至256x256和1024x1024;而基于latent的SD是在latent空间操作的，它可以直接生成256x256和512x512甚至更高分辨率的图像。基于latent的扩散模型的优势在于计算效率更高效，因为图像的latent空间要比图像pixel空间要小，这也是SD的核心优势。Stable Diffusion不仅是一个完全开源的模型（代码，数据，模型全部开源）,而且它的参数量只有1B左右，大部分人可以在普通的显卡上进行推理甚至精调模型。毫不夸张的说，Stable Diffusion的出现和开源对AIGC的火热和发展是有巨大推动作用的，因为它让更多的人能快地上手AI作画。
Note: SD对硬件要求普遍较高，即使推理最好也要有8G以上的显存，具体性价比参见常见显卡AI跑图性能、性价比表
2. 一键起飞
2.1 Fooocus
git clone /lllyasviel/Fooocus.gitcd Fooocusconda env create -f environment.yamlconda activate fooocuspip install -r requirements_versions.txtpython launch.py --listen
浏览器打开 IP地址:端口7860(如果是本地，具体为127.0.01:7860)即可
2.2 webui
可参考浅谈【Stable-Diffusion WEBUI】(AI绘图)的基础和使用
Windows下推荐使用一键启动包，模型下载stable-diffusion-v1-5
wget https://mirrors.tuna./anaconda/miniconda/Miniconda3-py310_23.3.1-0-Linux-x86_64.sh \&& sh Miniconda3-py310_23.3.1-0-Linux-x86_64.sh -b -p /opt/condapip install diffusers transformers scipy ftfy accelerategit clone /AUTOMATIC1111/stable-diffusion-webuicd stable-diffusion-webui默认GPU运行#python launch.py --listen --api --xformers --enable-insecure-extension-access./webui.sh --listen --api --xformers --enable-insecure-extension-access#如果没有GPU，也可以CPU运行./webui.sh --listen --api --enable-insecure-extension-access --skip-torch-cuda-test --no-half --no-half-vae
默认参数出来的效果差强人意，需要加入较多的"咒语"才能调出，可以切换到Chilloutmix-Ni-pruned-fp16-fix模型，设置如下参数，或者后面加入不同的Lora提升效果(模型下载链接参看全网Stable Diffusion WebUI Model模型资源汇总)
推荐模型majicMIX realistic 麦橘写实
通用起手式
Prompt:masterpiece, best quality, 更多画质词，画面描述
NegativePrompt:nsfw, 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
三段式表达
第一段： 画质tag，画风tag
第二段：画面主体，主体强调，主体细节概括。（主体可以是人、事、物、景）画面核心内容
第三段：画面场景细节，或人物细节，embedding tag。画面细节内容
第二段一般提供人数，人物主要特征，主要动作（一般置于人物之前），物体主要特征，主景或景色框架等
质量词→前置画风→前置镜头效果→前置光照效果→（带描述的人或物AND人或物的次要描述AND镜头效果和光照）*系数→全局光照效果→全局镜头效果→画风滤镜
实例:
Prompt：masterpiece，beat quality，1girl
NegativePrompt：nsfw,blush,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, artist name,bad feet,big head,fused body,multiple hands,multiple legs,multiple hands,multiple breast,multiple lower legs,multiple thighs,fused body,twist body
Steps: 40, Sampler: Euler a, CFG scale: 10
必装插件
双语对照 bilingual-localization、localization-zh_CNC站助手Civitai-Helperprompts-all-in-one 自动翻译、收藏提示词
4.万物分割 inpaint-anything
5.controlnet，ControlNet原理解析作用就是能够控制扩散模型，生成更接近用户需求的图,可以做到对线稿的上色以及照片转二次元人物等效果
ControlNet1.1是一个很大的升级，但基本用法和以前一样:就是从已有的图片中，提取某种模型的特征信息，主要是多了很多预处理器，并且模型也都更新了, 最新的1.1.400还支持了SDXL
旧的模型放在：
SDWEBUI\models\ControlNet\目录中，8个模型文件，每个大约5.5GB左右新的模型放在：
SDWEBUI\extensions\sd-webui-controlnet\models\目录中，14个，每个1.5GB左右
ControlNet原理就是将模型原始的神经网络锁定，设为locked copy，然后将原始网络的模型复制一份，称之为trainable copy，在其上进行操作施加控制条件。然后将施加控制条件之后的结果和原来模型的结果相加获得最终的输出。
6.姿势编辑openpose editor
7.真实人像写真EasyPhoto SDWebui艺术照插件妙鸭相机平替EasyPhoto教程
8.Additional Network对比不同LoRA模型效果
2.3 diffusers
手写stable-diffusion - 知乎
import torchfrom diffusers import StableDiffusionPipeline#初始化SD模型，加载预训练权重pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")pipe.safety_checker = Nonepipe.requires_safety_checker = False#使用GPU加速pipe.to("cuda")#如GPU的内存少于10GB，可以加载float16精度的SD模型#pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5", revision="fp16", torch_dtype=torch.float16)#接下来，我们就可以运行pipeline了prompt = "masterpiece, beat quality, 1girl"negative_prompt = "nsfw,blush,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, artist name,bad feet,big head,fused body,multiple hands,multiple legs,multiple hands,multiple breast,multiple lower legs,multiple thighs,fused body,twist body"image = pipe(prompt).images[0]image.save("test.png", "png")
LoRA Support in Diffusers
from diffusers import StableDiffusionPipelineimport torchmodel_path = "sayakpaul/sd-model-finetuned-lora-t4"pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", torch_dtype=torch.float16)pipe.unet.load_attn_procs(model_path)pipe.to("cuda")prompt = "A pokemon with blue eyes."image = pipe(prompt, num_inference_steps=30, guidance_scale=7.5, cross_attention_kwargs={"scale": 0.5}).images[0]image.save("pokemon.png")
3. 教程
3.1 使用教程
关于【Stable-Diffusion WEBUI】方方面面研究深入浅出讲解Stable Diffusion原理，新手也能看明白Diffusion Model原理详解及源码解析代码Diffusion-Models-pytorch深入浅出，Stable Diffusion完整核心基础讲解细数【SD-WEBUI】的模型：谁是最适合的模型&从哪里找到它们喂饭级stable_diffusion_webUI调参权威指南Stable Diffusion WebUI 小指南 - X/Y/Z Plot超细！5000字详解AI绘画图生图干货、技巧，教程、学习分享AI绘画：不可亵渎的美，海滩婚纱ControlNet 使用教程 各模型算法说明以及使用解析Stable Diffusion 模型格式及其相关知识全面指南从耗时看Stable Diffusion WebUI中的采样方式教会你使用AI绘画利器Stable Diffusion3.2原理
AI艺术的背后：详解文本生成图像模型
AE: 自编码器由编码器以及解码器组成，其首先对图像进行压缩，之后，在对压缩后的表征进行重建。在实际应用中，自编码器往往会被用于降维，去噪，异常检测或者神经风格迁移中.与 AE 不同的是，VAE 不再去学习一个连续的表征，而是直接学习一个分布，然后通过这个分布采样得到中间表征去重建原图.
VAE假设中间表征是一个正态分布，因此，编码器部分需要将原图映射为正态分布，通过重参数技巧，得到采样后的中间表征。紧接着，解码器通过中间表征 z 进行解码操作，得到原图的重建.
VQ-VAE:VAE 具有一个最大的问题就是使用了固定的先验（正态分布），其次是使用了连续的中间表征，这样会导致图片生成的多样性并不是很好以及可控性差。为了解决这个问题，VQ-VAE（ Vector Quantized Variational Autoencoder）选择使用离散的中间表征，同时，通常会使用一个自回归模型来学习先验（例如 PixelCNN 或者 Transformer）。在 VQ-VAE 中，其中间表征就足够稳定和多样化，从而可以很好的影响 Decoder 部分的输出 ，帮助生成丰富多样的图片。因此，后来很多的文本生成图像模型都基于 VQ-VAE
十分钟读懂Stable Diffusion运行原理
文生图模型之Stable Diffusion
SD模型的主体结构如下图所示，主要包括三个模型：
autoencoder：encoder将图像压缩到latent空间，而decoder将latent解码为图像；CLIP text encoder：提取输入text的text embeddings，通过cross attention方式送入扩散模型的UNet中作为condition；采用CLIP text encoder来对输入text提取text embeddings，具体的是采用目前OpenAI所开源的最大CLIP模型：clip-vit-large-patch14，这个CLIP的text encoder是一个transformer模型（只有encoder模块）：层数为12，特征维度为768，模型参数大小是123M。对于输入text，送入CLIP text encoder后得到最后的hidden states（即最后一个transformer block得到的特征），其特征维度大小为77x768（77是token的数量），这个细粒度的text embeddings将以cross attention的方式送入UNet中UNet：扩散模型的主体，用来实现文本引导下的latent生成。SD的扩散模型是一个860M的UNet，其中encoder部分包括3个CrossAttnDownBlock2D模块和1个DownBlock2D模块，而decoder部分包括1个UpBlock2D模块和3个CrossAttnUpBlock2D模块，中间还有一个UNetMidBlock2DCrossAttn模块。encoder和decoder两个部分是完全对应的，中间存在skip connection。注意3个CrossAttnDownBlock2D模块最后均有一个2x的downsample操作，而DownBlock2D模块是不包含下采样的
SD的训练是多阶段的（先在256x256尺寸上预训练，然后在512x512尺寸上精调），不同的阶段产生了不同的版本：
SD v1.1：在laion2B-en数据集上以256x256大小训练237,000步，上面我们已经说了，laion2B-en数据集中256以上的样本量共1324M；然后在laion5B的高分辨率数据集以512x512尺寸训练194,000步，这里的高分辨率数据集是图像尺寸在1024x1024以上，共170M样本。SD v1.2：以SD v1.1为初始权重，在improved_aesthetics_5plus数据集上以512x512尺寸训练515,000步数，这个improved_aesthetics_5plus数据集上laion2B-en数据集中美学评分在5分以上的子集（共约600M样本），注意这里过滤了含有水印的图片（pwatermark>0.5)以及图片尺寸在512x512以下的样本。SD v1.3：以SD v1.2为初始权重，在improved_aesthetics_5plus数据集上继续以512x512尺寸训练195,000步数，不过这里采用了CFG（以10%的概率随机drop掉text）。SD v1.4：以SD v1.2为初始权重，在improved_aesthetics_5plus数据集上采用CFG以512x512尺寸训练225,000步数。SD v1.5：以SD v1.2为初始权重，在improved_aesthetics_5plus数据集上采用CFG以512x512尺寸训练595,000步数。
其实可以看到SD v1.3、SD v1.4和SD v1.5其实是以SD v1.2为起点在improved_aesthetics_5plus数据集上采用CFG训练过程中的不同checkpoints，目前最常用的版本是SD v1.4和SD v1.5。 SD的训练是采用了32台8卡的A100机器（32 x 8 x A100_40GB GPUs），所需要的训练硬件还是比较多的，但是相比语言大模型还好。单卡的训练batch size为4，并采用gradient accumulation，其中gradient accumulation steps=2，那么训练的总batch size就是32x8x2x4=2048。训练优化器采用AdamW，训练采用warmup，在初始10,000步后学习速率升到0.0001，后面保持不变。至于训练时间，文档上只说了用了150,000小时，这个应该是A100卡时，如果按照256卡A100来算的话，那么大约需要训练25天左右。
3.3 训练阶段
使用 AutoEncoderKL 自编码器将图像 Image 从 pixel space 映射到 latent space，学习图像的隐式表达，注意 AutoEncoderKL 编码器已提前训练好，参数是固定的。此时 Image 的大小将从[B, C, H, W]转换为[B, Z, H/8, W/8]，其中Z表示 latent space 下图像的 Channel 数。这一过程在 Stable Diffusion 代码中被称为encode_first_stage；使用 FrozenCLIPEmbedder 文本编码器对 Prompt 提示词进行编码，生成大小为[B, K, E]的 embedding 表示（即context），其中K表示文本最大编码长度 max length,E表示 embedding 的大小。这一过程在 Stable Diffusion 代码中被称为get_learned_conditioning；对图像的隐式表达进行不断加噪进行前向扩散过程（Diffusion Process），之后对加噪后的图像调用 UNetModel 对噪声进行预估；UNetModel 同时接收图像的隐式表达 latent image 以及文本 embeddingcontext，在训练时以context作为 condition，使用 Attention 机制来更好的学习文本与图像的匹配关系；扩散模型输出噪声ϵθ，计算和真实噪声之间的误差作为 Loss，通过反向传播算法更新 UNetModel 模型的参数，注意这个过程中 AutoEncoderKL 和 FrozenCLIPEmbedder 中的参数不会被更新。3.4 采样阶段
使用 FrozenCLIPEmbedder 文本编码器对 Prompt 提示词进行编码，生成大小为[B, K, E]的 embedding 表示（即context）;随机产出大小为[B, Z, H/8, W/8]的噪声 Noise，利用训练好的 UNetModel 模型，按照 DDPM/DDIM/PLMS 等算法迭代 T 次，将噪声不断去除，恢复出图像的 latent 表示；使用 AutoEncoderKL 对图像的 latent 表示（大小为[B, Z, H/8, W/8]）进行 decode（解码），最终恢复出 pixel space 的图像，图像大小为[B, C, H, W]; 这一过程在 Stable Diffusion 中被称为decode_first_stage。35张图，直观理解Stable Diffusion 35张图，直观理解Stable Diffusion35张图，直观理解Stable Diffusion The Illustrated Stable Diffusion
Diffusion扩散模型学习1——Pytorch搭建DDPM实现图片生成ddpm-pytorch
Diffusion扩散模型学习2——Stable Diffusion结构解析
Stable Diffusion 原理介绍与源码分析（一）
3.5采样器
stable-diffusion-webui源码分析（9）-euler a 采样器
DDPM、DDIM、PLMS算法分析
Stable Diffusion-采样器篇
Euler采样器：欧拉采样方法。Heun采样器：欧拉的一个更准确但是较慢的版本。LMS采样器：线性多步法，与欧拉采样器速度相仿，但是更准确名称中带有a标识的采样器表示这一类采样器是祖先采样器。这一类采样器在每个采样步骤中都会向图像添加噪声，采样结果具有一定的随机性。
带有Karras字样的采样器，最大的特色是使用了Karras论文中建议的噪音计划表。主要的表现在于噪点步长在接近尾声时会更小，有助于图像的质量提升
DPM会自适应调整步长，不能保证在约定的采样步骤内完成任务，整体速度可能会比较慢。对Tag的利用率较高，在使用时建议适当放大采样的步骤数以获得较好的效果。
DPM++是对DPM的改进，DPM2采用二阶方法，其结果更准确，但是相应的也会更慢一些
1.如果只是想得到一些较为简单的结果，选用欧拉（Eular)或者Heun，并可适当减少Heun的步骤数以减少时间
2.对于侧重于速度、融合、新颖且质量不错的结果，建议选择：
DPM++ 2M Karras， Step Range：20-30UniPc, Step Range: 20-30
3. 期望得到高质量的图像，且不关心图像是否收敛：
DPM ++ SDE Karras， Step Range：8-12DDIM， Step Range：10-15
4. 如果期望得到稳定、可重现的图像，避免采用任何祖先采样器
euler和euler a采样器实现上的区别
4. 大模型微调
常见的大模型微调技术就是以下这四个：LoRA vs Dreambooth vs Textural Inversion vs Hypernetworks
4.1 Dreambooth
google在8月提出的一种新的图像算法，其方法可以完整的获得你想要的模型的视觉特征，它的提出既不是为了训练人物也不是为了训练画风，而是为了能在少量训练图像的基础上完美的还原细节特征。Dreambooth要求我们在训练过程中，“特征词+类别”和“类别”成对出现，解决过拟合的问题，虽然叫大模型微调技术，但是他调得一点都不微，他基本把UNET算法的每一层内部参数都调了一遍
Dreambooth优点是：可以将视觉特征完美融入;
Dreambooth缺点是：需要调整UNet所有内部参数，训练时间长，模型体积大。
1. 给训练图片添加n步噪声，使其变成较为嘈杂的图片（测试图左侧的噪声图）。【即正向Diffusion过程，详见Stable Diffusion原理简介】
2. 另外再给训练图片添加较少一点的噪声(n-1)，使其成为一张校准图片（测试图右侧的图片）。
3. 然后我们来训练SD模型以左侧较嘈杂的图片作为输入，再加上特殊关键词指令的输入，能输出右侧较为清晰的图片。
4. 一开始，由于模型可能根本就不识别新增的特殊关键词SKS，他可能输出了一个不是很好的结果。此时我们将该结果与目标图片（右侧较少噪声的图片）进行比较，得出一个loss结果，用以描述生成图像与目标图像的差异程度。
5. 接着Dreambooth会做一步被称为Gradient Update的事情。有关Gradient Update的事情实在是过于复杂了，你可以简单理解为，如果Loss高的话它将惩罚模型，如果Loss低的话它将奖励模型。
6. 当训练重复了一段时间后，整个模型会逐渐认识到：当它收到SKS的词语输入时，生成的结果应该看起来比较像训练者所提供的柯基犬的图片，由此我们便完成了对模型的调校
4.2 LoRA
LoRA（大模型的 低秩 适配器）是一种使用少量图像来训练模型的方法。大模型参数量巨大，训练成本较高，当遇到一些下游细分任务时，对大模型进行全参训练性价比不高，同时这些下游细分任务的域比较好约束，我们可以使用SD模型+LoRA微调训练的方式，只训练参数量很小的LoRA，就能在下游细分任务中取得不错的效果.
LoRA的训练逻辑是首先冻结SD模型的权重，然后在SD模型的U-Net结构中注入LoRA模块，将其并与crossattention模块结合，并只对这部分参数进行微调训练。其是由两个低秩矩阵的乘积组成。由于下游细分任务的域非常小，所以可以取得很小，很多时候我们可以取d=1。因此在训练完成之后，我们可以获得一个参数量远小于SD模型的LoRA模型。通常来说，对于矩阵，我们使用随机高斯分布初始化，并对于矩阵使用全初始化，使得在初始状态下这两个矩阵相乘的结果为。这样能够保证在初始阶段时，只有SD模型（主模型）生效。
经过开源生态的持续验证，我们发现使用LoRA进行微调与SD模型全参微调的效果相差不大。LoRA成为了AIGC时代的“残差模块”，SD模型的“得力助手”，LoRA大幅降低了SD模型训练时的显存占用，因为并不优化主模型（SD模型），所以主模型对应的优化器参数不需要存储。但计算量没有明显变化，因为LoRA是在主模型的全参梯度基础上增加了“残差”梯度，同时节省了主模型优化器更新权重的过程深入浅出LoRA，完整核心基础解析, 具体代码实现参见stable-diffusion-webui源码分析（8）-Lora
LoRA具有如下优势:
与SD模型全参训练相比，LoRA训练速度更快，（几到几十分钟），使用少量图像（10多张），效果比较好。非常低的算力要求。我们可以在2080Ti级别的算力设备上进行LoRA训练。由于只是与SD模型的结合训练，LoRA本身的参数量非常小，最小可至3M左右。能在小数据集上进行训练（10-30张），并且与不同的SD模型都能较好的兼容与迁移适配。训练时主模型参数保持不变，LoRA能更好的在主模型的能力上优化学习。但是需要注意
可以加载多个不同的LoRA模型配合不同的权重叠加使用。目前SD-WEB UI还不能训练LoRA模型。适合训练人物,训练人物特征时，需要不同角度、姿态的数据20-40张就可以了，如果要训练风格或者画风，则需要150-200张风格图片，如果是训练一个抽象概念，则数据多多益善
脚本训练：🔗/Akegarasu/lora-scripts
GUI训练：🔗/bmaltais/kohya_ss
实际上都是调用的kohya_ss的sd-scripts项目，比较倾向用脚本那个项目lora-scripts来训练写配置文件反而比较简单，WEB界面在训练这块用处不大
关于【SD-WEBUI】的LoRA模型训练：怎样才算训练好了？
git clone --recurse-submodules /Akegarasu/lora-scripts修改train.sh里面的内容$pretrained_model ：基础模型路径（最好填入WEB UI下的绝对路径，避免拷贝几个GB的数据）$train_data_dir ：训练数据集路径（预处理完成的图片和提示词存放目录）$resolution ：分辨率（需要多少预处理成多少，填写一致）$max_train_epoches ：最大训练 epoch （1个epoch是一个完整的数据集通过神经网络一次并且返回一次的过程）$save_every_n_epochs ：每几个 epoch 保存一次$output_name ：模型保存名称
综上所述
Dreambooth相当于是把unet里的每一层函数都要进行微调，所以我们说它计算量大，训练时间长，模型体积大。但是LoRA就不同了，LoRA旨在减少模型的训练参数，提升模型训练效率；LoRA建议冻结预训练模型的权重，并将训练参数注入到Transformar函数架构的每个层中，他的优点就是不破坏原有模型，即插即用。
正因为LoRA他的插入层较少，他相较于Dreambooth，可以把训练参数降低1000倍，对CPU的要求也会下降三倍，所以训练出来的LoRA模型就会非常小，一般大家在C站下载过就知道，往往他们只有几十m，而一个大模型往往有几个g，所以他在我们日常工作中变得非常常用。可以简单理解Lora是在原有模型上添加一个“滤镜”，让这个底模往我们期望的效果走
Dreambooth调整了整个UNET的函数和参数，所以他体积最大，适用范围最全，但是训练难度和训练耗时和成本最大。
LoRA只将训练参数注入到了部分Transformar函数中，所以他不改变原模型，即插即用，模型大小也可控，是我们后续学习的重点。
而Hypernetwork，大家看图，他是新建了一个单独的神经网络模型，插入到原UNet模型的中间层。在训练过程中，冻结所有参数，只训练插入部分，从而使输出图像与输入指令之间产生关联关系，同时只改变原模型的一小块内容。
从这个原理的描述上，大家就能发现，Hypernetwork这种方法更适合用于训练某种画风，比如像素画之类的，大家在C站能找到的Hypernetwork模型也几乎都是画风训练的，但是不是说他不能训练别的，它也是可以训练人物的，就是比LoRA麻烦一点。总之，他几乎是一个咋国内几乎要被LoRA淘汰的技术。
5. 训练
《LORA模型训练超入门级教程》
stable-diffustion-webui 超网络模型训练经验
第一步：制作训练集
搜集素材
首先需要准备合适的素材作为训练数据。你需要：
搜集尽可能高质量的图片（质量非常关键！）
剔除有文字、上色不佳、质量不佳、风格不统一等任何问题的图片。
剔除任何存在不想要的元素的图片，或者可以修一下图
图片的分辨率不要低于训练分辨率（也就是 512x512，长宽都不能低于这个值）
最终的素材集不需要很大，只要有几十到一百来张图就足够训练了。这是整个训练过程中最繁琐和费劲的工作，但不要偷懒哦（否则根本就炼不出好模型）。
预处理
这一步要将素材图片裁成 512x512 分辨率的方形图片用作训练数据。不要使用其他任何分辨率，那样会增加失真（这个我没有验证）
Gradio：轻松实现AI算法可视化部署
waifu-diffusion多卡推理+界面优化
stable-diffusion-webui源码分析
6. 商业价值
AIGC图像生成的原理综述与落地畅想
浅谈一些AIGC赚钱赛道
1. AIGC一定是历史的必然节点。因为它提升了信息生产的效率，让内容的创作变得简单和无门槛
2. 商业机会并不在技术本身，而在于依托于技术基础之上的人、社会、生态和模式。技术起到的是一个将红利自动化、规模化的杠杆作用
3. AI作画对艺术界产生了巨大冲击，也催生出了AI辅助创作这一新兴领域的发展
如何优雅的下载huggingface-transformers模型
