Stable Diffusion 模型下载和使用方法

       1、Stable Diffusion模型简介

        上一文中《Stable Diffusion绘图神器,2分钟极速安装教程!(提供安装包)-CSDN博客》,给大家介绍了Stable Diffusion的安装方法和简单的使用方式,有粉丝私信问我文中的写实风格的图片是怎么生成的。

        Stable Diffusion的绘图风格主要由模型来控制,基础模型主要由二次元图片训练获得,所以在不安装其他模型的情况下,只能生成二次元风格的图像。

       首先我们需要对Stable Diffusion中各种模型有个初步认识,以便后续在使用时能知道我们需要下载什么样的模型,在Stable Diffusion中有4种模型,分别是:

     2、SD模型分类和作用

        2.1、Checkpoint模型

        Checkpoint模型是Stable Diffusion的核心。它包含了神经网络的所有权重和参数,是生成图像的基础。这些模型通常体积较大,因为它们包含了大量的参数,这些参数是在大量图像数据上训练得到的。通过微调这些参数,可以对模型进行改进,以生成具有特定风格的图像。微调Checkpoint模型的方法有多种,包括附加训练、Dreambooth和文本反转等。

        这种模型通常很大,在2-7GB之间,也是比较常用的一种模型。

  • 附加训练

        附加训练是一种微调技术,它通过在已有的Checkpoint模型基础上,使用新的数据集进行训练。这种方法可以帮助模型更好地适应特定的图像风格或内容,从而生成更符合用户需求的图像。

  • Dreambooth

        Dreambooth是另一种微调Checkpoint模型的方法。它允许用户将自定义的主题或对象注入到模型中,从而生成与该主题或对象相关的图像。这种方法特别适用于那些想要生成具有特定主题或对象的用户,而且它只需要少量的自定义图像就可以实现。

  • 文本反转(embedding)

        文本反转是一种通过修改模型的嵌入空间(embedding space)来实现微调的方法。嵌入空间是模型用来表示文本和图像特征的空间。通过修改这个空间中的特定部分,可以影响模型生成图像的方式,使其更符合用户的期望。这种方法同样只需要少量的示例就可以实现。

2.2、LoRA模型


        LoRA模型是一种轻量级的微调方法。与直接修改Checkpoint模型的参数不同,LoRA模型通过添加一些小的补丁文件来修改模型的输出。这些补丁文件通常体积较小,可以与Checkpoint模型一起使用,而不需要对整个模型进行大量的修改。

2.3、Hypernetworks

        Hypernetworks是一种特殊的网络结构,它可以被添加到Checkpoint模型中。Hypernetworks不是直接生成图像,而是生成其他网络的权重。通过这种方式,它们可以为Checkpoint模型提供额外的灵活性,使其能够根据不同的输入生成不同的图像。

2.4、VAE

        VAE是一种将特定风格或属性集成到Checkpoint模型中的方法。它可以被看作是一种特殊的微调技术,用于向模型注入某种风格或属性。一旦AVE被集成到checkpoint中,它就可以像滤镜一样作用于生成的图像,使其呈现出特定的风格或特征。

        这些模型和微调技术为Stable Diffusion用户提供了广泛的灵活性,使用户可以根据自己的需求定制和改进模型,生成更符合期望的图像。

        在实际使用过程中我们主要使用到模型类型有:Checkpoint模型、LORA、VAE等类型。

3、SD模型下载

         对模型有了初步认识后,我们急需知道在哪里可以下载模型,以下是三个是我下载Stable Diffusion模型的常用网站,前两个是国内的,已经够用,最后一个是国外的,需要梯子,上面的模型和生成的图片都非常丰富,生成的图片内容没有限制:

  •  哩布哩布AI: 在LiblibAI上,你可以找到由社区成员上传和分享的多种Stable Diffusion模型。这些模型可能涵盖了不同的风格、主题和用途,以满足用户多样化的需求。你可以根据自己的创作目的和风格偏好,在平台上搜索和筛选适合的模型。
liblib.ai
  • 吐司:这是一个大型的国内模型资源库,网站收录模型数以万计,几乎涵盖所有流行模型及小众模型。大部分模型来源于其他分享网站,如Civitai,因此用户可以在这里找到丰富的Stable Diffusion模型资源。
tusiart.com
  • Civitai:这是一个大型的SD模型分享社区,提供了大量高质量的模型文件。用户可以在这里找到各种精选的模型,这些模型由全球众多热爱艺术的创作者上传并分享。这是一个国外网站,需要梯子,有梯子的可以试试,上面的模型非常多,福利图片也很多。

4、SD模型安装

        模型的安装非常简单,我们下载模型后,根据模型的类型放到对应的目录,重启程序或者刷新软件界面上的对应按钮就可以了,下面这个截图是几个常用模型安装的目录:

SD模型安装目录

        模型安装后对应到界面上的位置如下:

基础大模型和VAE模型
LORA模型

 至此,Stable Diffusion模型的下载和安装已经完成,有什么疑问可以私信或者留言!

  • 21
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
稳定扩散(stable diffusion模型融合是一种用于集成多个模型预测结果的方法。在机器学习和数据挖掘领域,我们通常会使用多个模型来解决同一个问题,每个模型都有其自身的优势和局限性。稳定扩散模型融合的目标是通过综合多个模型的预测结果,得到更准确、鲁棒性更强的最终预测结果。 稳定扩散模型融合的基本思想是通过迭代的方式不断更新每个模型的权重,使得预测结果更加一致和准确。具体步骤如下: 1. 初始化:为每个模型分配一个初始权重。 2. 预测:使用每个模型对待预测样本进行预测。 3. 计算相似度:计算每个模型预测结果之间的相似度,常用的相似度度量方法包括余弦相似度、欧氏距离等。 4. 更新权重:根据相似度计算结果,更新每个模型的权重。相似度越高的模型将获得更高的权重。 5. 归一化:对更新后的权重进行归一化,确保权重之和为1。 6. 终止条件:根据预设的终止条件(如迭代次数、权重变化阈值等),判断是否终止迭代。如果不满足终止条件,则返回第3步。 7. 预测结果:根据更新后的权重,对每个模型的预测结果进行加权平均或加权投票,得到最终的预测结果。 通过稳定扩散模型融合,可以充分利用多个模型的优势,提高预测的准确性和鲁棒性。同时,该方法还可以降低单个模型的过拟合风险,提高模型的泛化能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI探长Kimbo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值