今天咱们来聊聊怎么用Python玩转Stable Diffusion模型。Stable Diffusion是当下最火的AIGC（AI生成内容）模型之一，能生成高质量的图像。咱们会用Python调用这个模型，生成一些有趣的图片。别担心，就算你是Python小白，也能跟着一步步搞定。

1. 环境准备

在开始之前，得先把环境搭好。Stable Diffusion模型依赖一些Python库，咱们得先安装好。打开终端，输入以下命令：

pip install torch torchvision torchaudio

pip install diffusers transformers scipy

这些库分别是PyTorch（深度学习框架）、Diffusers（扩散模型库）、Transformers（自然语言处理库）和Scipy（科学计算库）。装好之后，咱们的环境就差不多准备好了。

2. 加载Stable Diffusion模型

接下来，咱们得把Stable Diffusion模型加载进来。Diffusers库已经帮咱们封装好了，直接用就行。来看代码：

from diffusers import StableDiffusionPipeline

import torch

# 加载模型

pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", torch_dtype=torch.float16)

pipe = pipe.to("cuda")

这里咱们加载了Stable Diffusion的1.4版本模型，并且把模型放到了GPU上（如果你有的话）。是为了节省显存，用半精度浮点数来跑模型。torch_dtype=torch.float16

温馨提示：如果你没有GPU，可以把去掉，模型会在CPU上运行，不过速度会慢很多。pipe.to("cuda")

3. 生成第一张图片

模型加载好了，咱们来生成第一张图片。Stable Diffusion模型需要一个文本提示（prompt）来生成图片。比如，咱们输入“一只戴着墨镜的猫”，看看它能生成啥。

prompt = "一只戴着墨镜的猫"

image = pipe(prompt).images[0]

image.save("cool_cat.png")

运行这段代码后，你会得到一个名为的图片文件。打开看看，是不是有点意思？cool_cat.png

温馨提示：生成的图片质量跟你的提示词有很大关系。提示词越详细，生成的图片越符合你的预期。比如“一只戴着墨镜的猫，背景是海滩，阳光明媚”会比“一只猫”生成更具体的图片。

4. 调整生成参数

Stable Diffusion模型有很多参数可以调整，咱们来看看几个常用的。

4.1 图片尺寸

默认生成的图片尺寸是512x512，但你可以调整成其他尺寸。比如生成1024x768的图片：

image = pipe(prompt, height=768, width=1024).images[0]

温馨提示：图片尺寸越大，生成时间越长，显存占用也越多。如果你显存不够，可能会报错。

4.2 生成步数

生成步数（num_inference_steps）控制生成图片的精细程度。步数越多，图片质量越高，但生成时间也越长。默认是50步，你可以试试调整：

image = pipe(prompt, num_inference_steps=100).images[0]

4.3 随机种子

Stable Diffusion模型生成图片时依赖随机种子。如果你想让生成的图片可复现，可以设置一个固定的种子：

import torch

generator = torch.Generator("cuda").manual_seed(42)

image = pipe(prompt, generator=generator).images[0]

这样，每次运行代码生成的图片都会是一样的。

5. 批量生成图片

有时候咱们想一次生成多张图片，看看哪个效果最好。Stable Diffusion模型也支持批量生成。来看代码：

prompts = ["一只戴着墨镜的猫", "一只穿着西装的狗", "一只骑着自行车的熊猫"]

images = pipe(prompts).images

for i, image in enumerate(images):

    image.save(f"image_{i}.png")

这段代码会生成三张图片，分别保存为、和。image_0.pngimage_1.pngimage_2.png

6. 处理生成失败的情况

有时候模型可能会生成一些不太理想的图片，比如模糊或者不符合预期的内容。这时候咱们可以调整提示词，或者增加生成步数。如果还是不行，可以试试换个随机种子。

温馨提示：Stable Diffusion模型生成图片的过程是不可逆的，也就是说，你不能中途调整参数。如果生成的图片不满意，只能重新生成。

7. 进阶玩法：自定义模型

如果你对Stable Diffusion模型感兴趣，还可以尝试训练自己的模型。Diffusers库提供了训练脚本，你可以用自己的数据集来微调模型。不过这个就比较复杂了，适合有一定深度学习基础的同学。

# 这里只是一个示意代码，实际训练需要更多步骤

from diffusers import StableDiffusionPipeline, UNet2DConditionModel

unet = UNet2DConditionModel.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="unet")

pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", unet=unet)

8. 总结

今天咱们用Python玩转了Stable Diffusion模型，从环境搭建到生成图片，再到调整参数和批量生成，基本上把常用的功能都过了一遍。Stable Diffusion模型非常强大，能生成各种有趣的图片，唯一的限制可能就是你的想象力了。

如果你对AIGC感兴趣，Stable Diffusion绝对是一个值得深入研究的模型。希望今天的教程能帮你入门，接下来就靠你自己去探索更多有趣的玩法了。