在线stabel Diffusion模型
https://huggingface.co/spaces/stabilityai/stable-diffusion
随机种子 seed
如果想要同一个文本提示，生成多次都是同一图像，可以设置一个随机种子，类似于random.seed()的原理，并将生成器传递给管道。每次使用具有相同种子的生成器时，都会得到相同的图像输出。
这里注意的是，实测中如果设置为 -1，那么每次会随机生成
num_inference_steps
可以使用 num_inference_steps 参数更改模型推理的步数
一般来说，使用的步数越多，结果越好，但是步数越多，建议使用默认的推理步数 50。如果想要更快的结果，可以使用较小的步数。如果想要更高质量图像，可以使用更大数字的步数。
实测中，对比图像发现，不同的num_inference_steps ，图像的内容和结构基本是一致的，但是一些形状细节存在很多不同，这表明num_inference_steps=较小值 的去噪步骤，提到的图像质量相对较低，通常使用 50 次去噪步骤，足以得到一个高质量图像。
guidance_scale
前面的所有示例统称为guidance_scale。guidance_scale是一种增加对指导生成（如文本）以及总体样本质量的条件信号的依从性的方法。它也被称为无分类器引导，简单地说，调整它可以更好的使用图像质量更好或更具备多样性。值介于7和8.5之间通常是稳定扩散的好选择。默认情况下，管道使用的guidance_scale为7.5。
默认情况下，稳定扩散生成512×512像素的图像。使用height和width参数以纵向或横向比例创建矩形图像非常容易出现缩放比例错误，部分图像内容，未展示出来，被覆盖了（这是因为图像内容大小大于设置的图像尺寸大小了）
最好在设置height和width参数，值为8的倍数
Sampling method: 采样方法
Sampling steps:采样迭代步数
Restore faces: 面容修复
Tiling: 生成平铺纹理
Highres.fix: 高分辨率修复
Firstpass width: 一开始的低分辨率的宽
Firstpass height: 一开始的低分辨率的高
CFG scale: 数值越小，AI多样性越多，越大限制越多
Variation seed: 在原来种子数的基础之上的子种子数
Denoising strength：跟原来图片的差距大小