简介：这份PDF资料面向希望入门AI绘画的开发者与爱好者，系统讲解Stable Diffusion的安装与使用流程，帮助零基础读者跨越环境配置门槛，快速上手文本生成图像。资源包共1个PDF文件，大小约814KB，内容涵盖环境准备、依赖安装、代码与模型下载、运行命令及参数调节等完整环节，并针对生成图像、参数优化与资源需求等关键问题给出说明。目前已有945人学习下载，适合作为实操参考手册。读者可从中获取Python与PyTorch环境搭建思路、虚拟环境创建方法、CompVis仓库克隆与依赖安装步骤，以及txt2img脚本的调用示例，理解prompt、plms、ddim、steps等参数对出图质量与耗时的影响，并提前了解GPU算力需求，为后续艺术创作或科研实验打下基础。
1. 从一张 512×512 的图说起：Stable Diffusion 到底解决了什么
如果你手里只有一块 8GB 显存的消费级显卡，却想跑通一个能根据中文提示词出图的人工智能绘画软件，Stable Diffusion 大概是目前门槛最低、可控性最强的一条路。它不像在线出图服务那样按张计费、排队等额度，也不像某些闭源工具那样把模型和采样器全封在黑匣子里——权重、调度器、采样步数、随机种子全在你本地，改一个参数就能复现同一张图。这份资源包围绕的就是「装得上、跑得动、调得准」三件事：从 Python 环境、PyTorch 与 CUDA 的版本对齐，到 CompVis 官方仓库的克隆、依赖安装、预训练权重放置，再到txt2img.py的命令行参数逐项拆解。适合两类人：一是刚接触扩散模型、想亲手跑一次推理的开发者；二是已经用过整合包、但想搞清楚底层脚本到底在干什么的熟手。下面按我实际复现的顺序往下走。
2. 环境准备：Python、PyTorch 与 CUDA 的版本对齐
2.1 为什么虚拟环境不是可选项而是必选项
Stable Diffusion 的依赖树里同时存在torch、transformers、diffusers、ftfy、taming-transformers等包，其中taming-transformers需要从源码安装，且对torch版本有隐性要求。如果你直接装在系统 Python 里，大概率会和已有的numpy、pillow版本打架，出现ImportError: cannot import name 'PILLOW_VERSION'这类经典报错。我一般会先建一个干净的虚拟环境，把系统环境和项目环境彻底隔离。
# 创建虚拟环境，目录名随意，这里用 sd-env python -m venv sd-env # Linux / macOS 激活 source sd-env/bin/activate # Windows 激活（PowerShell 用 .\sd-env\Scripts\Activate.ps1） sd-env\Scripts\activate # 确认当前 python 指向虚拟环境 which python # Windows 用 where python逻辑说明：python -m venv会在当前目录生成一个独立的解释器副本和site-packages目录，激活后pip install的所有包都只装进这个目录，不会污染全局。参数上唯一需要注意的是 Python 版本——官方要求 3.7 以上，但实测 3.10 对taming-transformers的兼容性最好，3.11 及以上在安装clip时容易卡在编译阶段。如果你机器上有多个 Python，建环境时显式指定python3.10 -m venv sd-env更稳妥。
2.2 PyTorch 安装：别照抄官网默认命令
PyTorch 官网的安装命令生成器会根据你选的 CUDA 版本给出不同的pip命令，但很多人忽略了一点：Stable Diffusion 的推理脚本对 CUDA 版本并不敏感，真正敏感的是torch和显卡驱动之间的匹配。驱动版本决定了你最高能用哪个 CUDA runtime，而pip安装的torch自带 CUDA runtime，所以只要驱动够新，装 CUDA 11.8 或 12.1 的torch都能跑。
# 以 CUDA 11.8 为例，这是目前兼容性最广的一档 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 验证 torch 是否能识别到 GPU python -c "import torch; print(torch.__version__, torch.cuda.is_available(), torch.cuda.get_device_name(0))"逻辑说明：--index-url指向 PyTorch 官方的 CUDA 11.8 轮子仓库，避免从默认 PyPI 拉到 CPU 版本。验证命令会输出三样东西——torch版本、cuda.is_available()的布尔值、显卡型号。如果第二项是False，先别急着怀疑显卡，八成是驱动太旧或者装成了 CPU 版。参数上，torchvision和torchaudio的版本必须和torch主版本对应，比如torch 2.0.x配torchvision 0.15.x，混搭会报RuntimeError: Detected that PyTorch and torchvision were compiled with different CUDA versions。
提示：如果你只有 CPU，把
--index-url去掉直接pip install torch也能跑，但一张 512×512、50 步的图大概要 5 到 10 分钟，只适合验证流程，不适合日常出图。
2.3 显存不够时的两个降级思路
8GB 显存跑 512×512 是够的，但如果你想出 768×768 或更高分辨率，txt2img.py会在 UNet 前向传播时 OOM。常见做法有两种：一是加--n_samples 1并把--H--W降到 512，二是用--precision autocast让部分算子走半精度。我一般会先确认torch.cuda.get_device_properties(0).total_memory的实际值，再决定是降分辨率还是开半精度，而不是盲目调--steps。
3. 代码与模型落地：克隆、依赖与权重放置
3.1 克隆仓库与安装 requirements 的正确顺序
CompVis 的仓库结构里，requirements.txt列了torch、torchvision等包，但如果你在装torch之前就pip install -r requirements.txt，pip 会从默认源拉一个 CPU 版torch覆盖掉你刚装好的 CUDA 版。所以顺序必须是先装torch，再装项目依赖。
# 克隆官方仓库 git clone https://github.com/CompVis/stable-diffusion.git cd stable-diffusion # 先确认 torch 已经是 CUDA 版 python -c "import torch; print(torch.cuda.is_available())" # 再安装项目依赖 pip install -r requirements.txt # taming-transformers 和 clip 需要从源码装，requirements 里可能没覆盖全 pip install git+https://github.com/CompVis/taming-transformers.git pip install git+https://github.com/openai/CLIP.git逻辑说明：requirements.txt里的torch没有指定--index-url，pip 默认走 PyPI 的 CPU 轮子。先装 CUDA 版再装 requirements，pip 会检测到已满足的依赖并跳过，不会覆盖。taming-transformers和CLIP是两个容易漏的包——前者提供 VQGAN 的编码器，后者负责文本编码，缺任何一个都会在加载模型时报ModuleNotFoundError。参数上，git+https://前缀表示从 Git 仓库直接安装，适合没有发布到 PyPI 的包。
3.2 预训练权重的下载与目录结构
Stable Diffusion 的权重文件sd-v1-4.ckpt大约 4GB，官方在 README 里给了下载入口，但很多人下完不知道放哪。txt2img.py默认从models/ldm/stable-diffusion-v1/目录读取，文件名必须是model.ckpt，否则会报FileNotFoundError。
# 创建权重目录 mkdir -p models/ldm/stable-diffusion-v1/ # 假设你已经把 sd-v1-4.ckpt 下载到当前目录，移动并重命名 mv sd-v1-4.ckpt models/ldm/stable-diffusion-v1/model.ckpt # 确认文件大小，正常应该在 4GB 左右 ls -lh models/ldm/stable-diffusion-v1/model.ckpt逻辑说明：-p参数保证多级目录一次创建，已存在时不报错。重命名这一步是必须的，因为txt2img.py里的--ckpt参数默认值就是models/ldm/stable-diffusion-v1/model.ckpt，你当然可以用--ckpt显式指定别的路径，但保持默认结构最省事。文件大小是个快速校验点——如果只有几百 MB，说明下的是配置文件或分片，不是完整权重。
3.3 首次运行 txt2img 的最小命令
环境、代码、权重都就位后，先用一条最小命令验证整条链路是否通。不要一上来就调高分辨率或加复杂提示词，先用默认参数出一张图。
# 最小验证命令，--plms 是采样器，--n_samples 1 出一张 python scripts/txt2img.py \ --prompt "a fantasy landscape" \ --plms \ --n_samples 1 \ --n_iter 1 \ --H 512 \ --W 512 \ --ddim_steps 50逻辑说明：--prompt是文本提示，英文效果通常比中文稳定，因为 CLIP 的文本编码器主要在英文语料上训练。--plms指定使用 PLMS 采样器，相比默认的 DDIM 在少步数下细节更好。--n_samples是每批出图数，--n_iter是迭代轮数，两者相乘是总出图数。--H--W控制分辨率，必须是 64 的倍数，512 是训练时的原生分辨率。--ddim_steps是采样步数，50 步是质量和速度的平衡点。运行成功后，图片会输出到outputs/txt2img-samples/目录下。
4. 参数调节与出图质量：从能跑到跑好
4.1 采样器选择：PLMS、DDIM 与 DPM 的差异
txt2img.py支持--plms和--ddim两个开关，分别对应 PLMS 和 DDIM 采样器。PLMS 是 Pseudo Numerical Methods for Diffusion Models 的缩写，在 50 步左右就能出结构完整的图；DDIM 在步数低于 30 时容易出现模糊或结构崩坏，但步数拉到 100 以上时细节更锐利。我一般出草图用 PLMS 50 步，出终稿用 DDIM 100 步。
| 采样器 | 推荐步数 | 特点 | 适用场景 |
|---|---|---|---|
| PLMS | 30–50 | 收敛快，结构稳 | 快速验证提示词 |
| DDIM | 80–150 | 细节锐，耗时长 | 终稿输出 |
| DPM++ | 20–30 | 少步数高质量 | 需要装额外脚本 |
逻辑说明：采样器的本质是求解扩散过程的逆过程，不同数值方法在离散化误差和收敛速度上各有取舍。PLMS 用高阶近似，所以少步数下误差小；DDIM 是一阶方法，步数不够时截断误差明显。参数上，--ddim_steps对两个采样器都生效，只是含义略有不同——对 PLMS 是迭代次数，对 DDIM 是离散时间步数。
4.2 提示词权重与负面提示
txt2img.py原生不支持负面提示词，也不支持(word:1.2)这种权重语法，这些是后来 WebUI 才加的功能。如果你只用官方脚本，提升出图质量的手段主要是调整提示词本身的描述密度和具体程度。比如a fantasy landscape出图随机性很大，改成a fantasy landscape with floating islands, waterfalls, sunset, highly detailed, digital painting后，构图和风格会稳定很多。
# 描述密度更高的提示词 python scripts/txt2img.py \ --prompt "a fantasy landscape with floating islands, waterfalls, sunset, highly detailed, digital painting, artstation trending" \ --plms \ --n_samples 1 \ --H 512 \ --W 512 \ --ddim_steps 50 \ --seed 42逻辑说明：--seed固定随机种子后，同样的提示词和参数会复现同一张图，方便你对比不同提示词的效果。参数上，--seed不传时每次随机，传了之后可复现。提示词里的artstation trending是一种风格引导，CLIP 在训练时见过大量带这类标签的图，所以会往那个方向靠。
4.3 显存与速度的权衡：分辨率、批大小与半精度
--n_samples调大会线性增加显存占用，--H--W调大是平方级增加。8GB 显存下，512×512 可以跑--n_samples 4，768×768 只能跑--n_samples 1。如果你非要出高分辨率，常见做法是先出 512 再用外部工具放大，而不是直接让模型出 1024。
# 8GB 显存下的稳妥配置 python scripts/txt2img.py \ --prompt "a flying dragon, detailed scales, clouds, epic lighting" \ --plms \ --n_samples 2 \ --H 512 \ --W 512 \ --ddim_steps 50 \ --precision autocast逻辑说明：--precision autocast让模型在部分算子中使用 FP16，显存占用大约降低 30% 到 40%，代价是极少数情况下会出现数值不稳定导致的黑图。参数上，autocast和full是仅有的两个选项，默认full用 FP32。如果你开了autocast后出图全黑，先关掉它再试，确认不是精度问题。
5. 避坑与排查：那些让我重装三次环境的问题
5.1 现象：CUDA out of memory但显存明明够
原因：PyTorch 的缓存分配器会预留显存，nvidia-smi显示的占用不等于实际可用。另外，如果你之前跑过别的深度学习任务，残留的进程可能还占着显存。
解决：先nvidia-smi看有没有僵尸进程，有就kill -9掉。然后在脚本开头加torch.cuda.empty_cache()，或者把--n_samples降到 1 再试。如果还不行，检查是不是--H--W设成了非 64 倍数，某些版本下会触发额外的 padding 导致显存翻倍。
5.2 现象：ModuleNotFoundError: No module named 'ldm'
原因：txt2img.py里用了from ldm.models.diffusion...这样的绝对导入，但ldm是仓库根目录下的包，Python 默认不会把当前目录加进sys.path。
解决：必须在仓库根目录下运行python scripts/txt2img.py，而不是cd scripts再运行。如果你非要在别处运行，设置PYTHONPATH=.环境变量。我一般会在仓库根目录下敲命令，省得折腾路径。
5.3 现象：出图全黑或全灰
原因：三种可能——--precision autocast的数值溢出、权重文件下载不完整、或者--ddim_steps设得太低（比如 5 步）。
解决：先关掉autocast，再把--ddim_steps提到 50，最后校验权重文件的 MD5。如果三步都做了还是黑图，检查显卡驱动版本是否满足torch的最低要求，驱动太旧会导致 kernel 静默失败。
5.4 现象：pip install -r requirements.txt卡在Building wheel for taming-transformers
原因：taming-transformers的setup.py会尝试编译一些 C 扩展，如果你的机器没有装gcc或python3-dev，编译会卡住或报错。
解决：Linux 下apt install build-essential python3-dev，Windows 下装 Visual Studio Build Tools。如果不想编译，直接用pip install git+https://github.com/CompVis/taming-transformers.git走源码安装，效果一样。
5.5 现象：中文提示词出图效果差
原因：CLIP 的文本编码器主要用英文语料训练，中文 token 在词表里覆盖不全，编码后的语义向量偏离预期。
解决：把中文提示词翻译成英文再输入。常见做法是用翻译工具先转一道，再手动调整关键词顺序——CLIP 对提示词前几个词的权重更高，把主体放前面，风格词放后面。
6. 进阶技巧：用 seed 和 prompt 组合做可控出图
跑通基础流程后，真正决定出图效率的不是显卡，而是你对--seed和提示词结构的控制。我自己的习惯是：先用一组宽泛提示词加随机 seed 出 20 张，挑出构图满意的，记下它的 seed，然后固定 seed 微调提示词。这样每次只改一个变量，能清楚知道是哪个词影响了哪个视觉元素。
# 固定 seed 微调提示词，对比两次输出的差异 python scripts/txt2img.py \ --prompt "a flying dragon, detailed scales, clouds, epic lighting" \ --plms --n_samples 1 --H 512 --W 512 --ddim_steps 50 --seed 1234 python scripts/txt2img.py \ --prompt "a flying dragon, detailed scales, storm clouds, dramatic lighting" \ --plms --n_samples 1 --H 512 --W 512 --ddim_steps 50 --seed 1234逻辑说明：两次命令只有提示词里的clouds和lighting前面的修饰词不同，seed 和其余参数完全一致。对比输出就能看出storm和dramatic各自带来了什么变化。参数上，--seed的取值范围是 0 到 2^32-1，超过这个范围会报错。如果你想批量测试不同 seed，写个 bash 循环比手动敲高效得多。
# 批量测试 seed，输出到不同目录 for s in 100 200 300 400 500; do python scripts/txt2img.py \ --prompt "a fantasy castle on a cliff" \ --plms --n_samples 1 --H 512 --W 512 --ddim_steps 50 \ --seed $s \ --outdir outputs/seed_$s done逻辑说明：--outdir参数指定输出目录，不传时默认是outputs/txt2img-samples。循环里每个 seed 单独一个目录，方便后续对比。参数上，--outdir的路径可以是相对路径也可以是绝对路径，目录不存在时会自动创建。
还有一个容易被忽略的点：txt2img.py的--prompt参数对空格和标点敏感，多个关键词之间用逗号加空格分隔，不要用中文逗号。如果你从网页复制提示词，先检查一遍标点，中文逗号会导致整个提示词被当成一个 token，出图效果直接崩掉。从那以后我每次粘贴提示词都强制走一遍纯英文标点检查，这个习惯帮我省了至少十次无效出图。希望帮到你。
本文还有配套的精品资源，点击获取
