一、基础模型和外挂VAE模型
Ⅰ. 基本术语讲解
基础模型（大模型/底模型）：属于预调模型，它决定了AI图片的主要风格。
VAE模型：全称Variational auto enconder变分自编码器，它类似于图片生成后的滤镜。
“基础模型”和“外挂VAE模型”之间的区别：首先正常情况下，每个模型都是自带了一个VAE的，VAE虽然不是滤镜但可以把它们看做是一种类似于滤镜的效果。而在大模型内的VAE出现问题、损坏或者是我们不满意的情况下，才需要使用外部手动去进行VAE选择VAE权重。
下载方式：大模型和VAE的下载我们可以从下面这些网站进行下载，而在模型下载的时候需要留意其哈希值。因为有些模型可能名字不一样，但哈希值一样，这就意味着两者几乎没有区别。
【网站①】：https://huggingface.co/
【网站②】：https://civitai.com/
Ⅱ. 不同基础模型的区别：
如下图显示，左边的图是二次元风格，右边的图是写实风格，模型的不同决定了基础的图像样子。
不同基础模型的区别
Ⅲ. 不同外挂VAE模型的区别：
如下图显示，该张图片展示了是否外挂VAE的差别，可以看到在加载新的一个VAE模型后，图片变得清晰起来。
是否加载VAE模型的区别
我们往下看，下面的图片展示了不同VAE模型下的图片差别，可以清晰看见图片的展现效果都不一样，“滤镜”效果完全不同。
不同VAE之间的区别
【总结】：所以，选用不同的VAE模型在制图的过程中很有必要，具体选用哪个模型，小编建议是用XYZ Plot（做出如图1-3的效果）选出你最喜欢的那一个。
二、clip终止层数
（clip skip）
【参考文章】：
https://github.com/AUTOMATIC1111/stable-diffusion-webui/discussions/5674
大家想要深入理解 clip终止层数 需从Stable diffusion的原理入手，具体原理可以参考这两篇文章：
【SD原理性】：
https://openaccess.thecvf.com/content/CVPR2022/papers/Rombach_High-Resolution_Image_Synthesis_With_Latent_Diffusion_Models_CVPR_2022_paper.pdf
【SD解释性】：
https://stable-diffusion-art.com/how-stable-diffusion-work/
简单来说，我们可以将Stable diffusion理解为一个扩散模型（Stable：稳定的；diffusion：扩散），通过你所给的prompt词扩散出你想要的东西。
例如，当我们尝试生成一个人的插图时，会是这样的一个情况（当然，实际情况可能远比这个更复杂）：
Clip的原理图解
为什么是到12层呢？可能会有同学有所疑问，原因是因为在该版本的模型中，深度为12层。
而你想处理到那一层就是：
clip的终止层数（clipskip）
ClipSkip为1：处理到最后一层（即所有层）
ClipSkip为2：处理到倒数第二层（忽略最后一层）
ClipSkip为3：处理到倒数第三层（忽略最后和倒数第二层）
简而言之，随着剪辑跳过的增加，要处理的层数逐渐减少。结果就是详细信息被按顺序丢弃，没有反映的提示数量增加了。（一个词含有的意思很少，需要扩散来丰富）
再举一个比较具体的例子：
Prompt：masterpiece, best quality, 1girl, white hair, black skirt, purple eyes, full body, black dress.
不同clip skip的表现
可见ClipSkip值较小，生成含有丰富提示词的插图；ClipSkip的值较大，生成忽略提示词的插图。
三、提示词与预设样式存储
提示词与预设样式存储在网上都有很多资料，小编这里就不再赘述了，大家感兴趣可以去B站或者百度搜索一下。总之，提示词需要具有一定的指向性和有效性，同时注意权重的搭配，以及英文输入。
【权重改变格式】：
（）：一个括号的权重提升1.1倍。
（（））：两个括号的权重提升1.1^2倍。
（prompt词：1.8）：该词权重提升1.8倍。
接下来小编给大家介绍一下本地SD的快捷键：
快捷键一览
这些键从左到右依次为：
从提示词或上次生成的图片中读取生成参数、清空提示词内容、显示和隐藏扩展模型、将所选预选样式插入到当前提示词之后、将当前提示词存储为预设样式。
通过这些可以快速帮我们念咒语，做到无吟唱施法。
四、迭代步数（采样步数）
首先，我们简单介绍一下Stable diffusion的相关原理。小编前天发布的SD文章也有详细介绍，这里再简单地提一下。
我们可以把模型理解为一个迭代过程——从文本输入生成随机噪声开始的重复循环，每一步都会消除一些噪声，并随着迭代步数的增加会产生更高质量的图像。而当完成所需的步骤数时，重复就会停止（可以结合第五节采样方式来看）。
一般来说，大约25个采样步骤（20个也可以）通常足以获得高质量图像，使用更多的步骤可能会产生略有不同的图片，但不一定有更好的质量。此外，当我们使用的步骤越多，生成图像所需的时间就会越多。不过在大多数情况下，额外的等待时间是不值得的。
例如，一个“太空中的小狗”的展示（迭代步数从1-100，gif图片较大可能需要一定的等待时间）：
不同迭代步数的区别
迭代步数为4-7时，小狗会从斑点中显现，然后在生成大约20-25个步骤后，它就达到了较高质量。
超过25个步骤后不会造成质量的显着差异，只是小狗的形状将会反复变化，但没有产生更多细节。
五、不同采样方法的区别
采样方法一览
为了生成图像，Stable diffusion首先在潜在空间中生成完全随机的图像，然后噪声预测器估计图像的噪声，再从图像中减去预测的噪声。这个过程重复十几次，最后便会得到一个干净的图像。
这个去噪过程称为采样，因为稳定扩散在每个步骤中都会生成一个新的样本图像。抽样所采用的方法称为抽样器或抽样方法。
Ⅰ. 采样方式介绍
从目前这些采样方法来看，主要分为几个类型：Euler、LMS、Heun、DPM、DDIM、PLMS、UniPC，下面我们来详细解释一下！
①：《Euler》
其是最简单的采样器。它在数学上与求解常微分方程的欧拉方法相同。它是完全确定性的，这意味着采样期间不会添加随机噪声。
它的一般步骤为：
步骤1：噪声预测器根据潜在图像估计噪声图像。
步骤2：根据噪声表计算需要减去的噪声量。这就是当前步骤和下一步之间的噪声差异。
步骤3：将潜像减去归一化噪声图像（来自步骤1）乘以要减少的噪声量（来自步骤2）。
重复步骤1至3，直到噪声计划结束。
②：《LMS》
其与欧拉方法非常相似，线性多步法(LMS)是求解常微分方程的标准方法。它的目的是通过巧妙地使用先前时间步骤的值来提高准确性。
③：《Heun》
是对Euler方法更精确的改进。但它每一步需要预测噪声两次，因此比欧拉慢两倍。
④：《DPM》
DPM（扩散概率模型求解器）和DPM++（对DPM的改进）是为2022年发布的扩散模型设计的新采样器，它们代表了一系列具有相似架构的求解器。DPM自适应可能会很慢，因为它不能保证在采样步骤数内完成。
⑤：《DPM2》
DPM和DPM2类似，只不过DPM2的DPM-Solver-2算法，求解器精确到二阶，其更加准确但速度更慢。
⑥：《DDIM和PLMS》
DDIM（去噪扩散隐式模型）和PLMS（伪线性多步方法）是原始稳定扩散v1附带的采样器。DDIM是最早为扩散模型设计的采样器之一。PLMS是DDIM更新、更快的替代方案。它们通常被认为已经过时并且不再广泛使用。
⑦：《UniPC》
（Unified Predictor Corrector方法）这个是2023年新开发的扩散采样器，其由两部分组成：统一预测器(UniP)、统一校正器(UniC)它支持任何求解器和噪声预测器。
Ⅳ.总结与建议
就收敛行为而言（选择收敛=选择稳定、可重复的图像）：
不收敛：Euler_a、DPM2a、DPMFast、DDIM、PLMS、DPMAdaptive、DPM2aKarras
收敛：Euler、LMS、Heun、DPM2、DPM++2M、LMSKarras、DPM2Karras、DPM++2MKarras
按所需步骤时间：
Euler_a=Euler=DPM++2M=LMSKarras（图像在高步长时退化）＞LMS=DPM++2MKarras=Heun（较慢）=DPM++2S a（较慢）=DPM++2S a Karras>DDIM=PLMS=DPM2（较慢）=DPM2 Karras>DPM快速=DPM2a（较慢）
如果你想使用快速且质量不错的东西，那么最好的选择是DPM++2M Karras，UniPC
如果你想要高质量的图像并且不关心收敛，那么不错的选择是DPM++SDE Karras
如果你喜欢稳定、可重复的图像，请避免使用任何ancestral samplers（加a的东西）。
如果你喜欢简单的东西，Euler和Heun是不错的选择。
六、面部修复
其实SD内置的面部修复目前的用处并不大，我简单跑了两组对比图，大家可以简单看一下效果：
动漫风格的面部修复（自制）
真人风格的面部修复（自制）
这两组图中，左边是没有开面部修复，右边是开了面部修复的。其中真人的要变得稍微自然一点（也没有过于改进），但是动漫风格的反而变得模糊了，所以面部修复一般是不建议用在非写实的图片生成上。
不过相比于SD内置的面部修复，这里更推荐使用after detailer。
写在最后
感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。
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。
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。