第二讲，我们主要进行参数实验，就是固定一个参数来看最终有什么变化。
也就是说我们遵守一个原则：一次只改一个参数
我们先使用一个基准版本，就是我们的模型使用dreamshaper_8.safetensors这个模型，也就是上一讲中在最后让自己下载的模型
我们的正向提示词就是用这个：
a cute orange cat sitting by a window, warm sunset light, highly detailed fur, soft shadows, realistic, cozy atmosphere
负向提示词使用这个：
low quality, blurry, deformed, extra limbs, watermark, text, ugly
然后就是分辨率：
宽度：512
高度：512
批量大小：1
K采样器基准参数
先统一成这样：
步数（steps）：20
cfg：7
采样器名称：euler
调度器：normal
降噪：1.00
先做一个非常重要的设置：固定种子，现在 K采样器里有一个：
生成后控制：randomize
这个意思是：每次生成后，种子会自动随机变化。
如果一直是 randomize，我们就没法做严谨对比。
点击生成后控制会出现四个选项：
其中fixed表示的就是固定
然后就是将生成后控制变为固定之后，我们开始生成我们的第一张图：
实验一 seed（种子）
之后开始我们的第一个参数，种子（seed）：种子主要影响构图、姿态、细节随机性。
其余的都保持不变，我们设置种子为111111，222222，333333来看一看最终的生图有什么区别：
下面三张图片分别为种子为111111，222222，333333得到的图片，其实我们可以发现
都还是"橘猫、窗边、暖光"
但猫的：姿势，视角，表情，构图，背景细节会发生变化
总结：Seed 决定什么？
Seed 不改变大方向，但会改变"这一张具体长什么样"。
所以以后如果你出了一张特别满意的图：一定要记住 seed。
实验二 steps（步数）
这个实验二主要是为了理解Steps 主要影响细节丰富度和画面完成度。
我们先把随机种子固定为11111111，其余的都保持不变，我们只改变steps
下面分别为步数为10，20，30，40所生成的图片：
steps = 10：生成快，画面有了，但细节通常比较少，毛发、边缘、光影可能偏粗
steps = 20：一般已经比较稳定，是很常用的一个步数设置
steps = 30
细节可能更完整一些
但速度更慢
提升有，但不会翻天覆地
steps = 40
有时会再细一点
但很多时候提升已经不明显
时间明显更长
要注意的是Steps 并不是越高越好，对我们低显存的电脑来说，20~30 往往最实用。再往上，不一定值那个时间。
实验三：cfg
CFG 主要决定模型"听不听你的提示词"。
我们就其余都保持固定：seed为111111，steps为20，其余都保持不变，只改变cfg
我们将cfg分别设置为3，7，10，14
当cfg = 3
模型比较"自由发挥"
画面可能自然，但不一定很听你的提示词
有时主体不够明确
cfg = 7
通常比较平衡
既听提示词，又不至于过度僵硬
很多人常用这个区间
cfg = 10
模型会更强地执行提示词
细节可能更"明显"
但有时会开始变得不自然
cfg = 14
很可能出现"太用力"
画面容易僵硬
光影、纹理、轮廓可能怪
有时反而更差
（吐槽：这他妈啥啊，跟鬼一样，绷不住了）
CFG 的常用区间
对我们现在这种使用场景，通常建议：5~8 最常用，7 左右最稳
实验四：Sampler（采样器）
不同采样器会让图的气质、细节方式、稳定性略有不同。
我们接下来的实验就，只改变采样器，其余的都保持不变：
看以看到采样器有非常多种，它们本质上是在用不同的方法，让模型一步一步把噪声变成图片。我们可以做一个简单的理解：
模型 = 画家
提示词 = 你的要求
种子 = 起稿方式
采样器 = 画家"怎么画"的方法
步数 = 画多少步
我们可以先理解几个关键的：
1）ancestral
比如：
euler_ancestral
dpm_2_ancestral
dpmpp_2s_ancestral
它的特点：这类一般随机性更强，更"活"，变化更大。
直观感受：更有创意感，同样提示词下变化更明显，有时更容易出惊喜，但也可能更不稳定。
适合：想要变化，想多尝试构图，不追求严格复现
这张图片的采样器是euler_ancestral
这个图片的采样器是dpm_2_ancestral：
这张图片的采样器是dpmpp_2s_ancestral：
2）sde
比如：
dpmpp_sde
dpmpp_2m_sde
dpmpp_3m_sde
它的特点：一般会更平滑、更稳一些，经常在质量上表现不错。
直观感受：细节往往比较好，画面比较稳定，适合中高质量出图，有时稍微慢一点
（不是这是猫么？我问你，这是猫吗？）
我讲一讲出现这种的原因把：主要就是Stable Diffusion 生成图像时，不是一下子"蹦"出一张图。它其实是：先从一团随机噪声开始，然后一步一步去噪，最后变成一张图。
采样器就像"去噪路线"。3M 这类采样器会参考前面几步的信息，试图更聪明地预测下一步。
但如果参数不合适，它也可能：方向判断错，细节过度放大，噪声没去干净，色彩被推得很怪，画面变成彩色块、油污感、碎片感
我们这张就是这种情况。
（下面的这些都可以自己试一试，挺好玩的）
3）2m / 3m / 2s
比如：
dpmpp_2m
dpmpp_3m_sde
dpmpp_2s_ancestral
这是它们内部算法结构的差异。
我们现阶段不用深究数学原理，只要粗略记住：
2M：通常比较稳，常用
3M：有时更细，但也更复杂
2S：也常见，部分场景效果好
4）cfg_pp
比如：
euler_cfg_pp
dpmpp_2m_cfg_pp
这是和 CFG 引导方式有关的变种。
我们现在可以先把它理解为：某些采样器的"增强版/特殊版"，但对入门来说，不用优先碰。
5）_gpu
比如：
dpmpp_sde_gpu
dpmpp_2m_sde_gpu
这个一般表示更偏向 GPU 优化版本。
如果有些节点或版本支持得好，可能更快一些。
对我们刚入门的新手来说：
使用这个euler就够了：
其特点就是：稳，快，好理解，入门最友好
实验五 调度器
采样器决定"怎么去噪"，调度器决定"每一步去噪怎么分配"。
生图不是一步完成的，比如我们设置：steps = 20，AI 就会从噪声到图像走 20 步。
调度器就是在安排：
第 1 步去多少噪
第 2 步去多少噪
......
第 20 步去多少噪
| 调度器 | 简单理解 | 适合情况 |
|---|---|---|
normal |
默认、稳定、普通路线 | Euler、入门测试 |
karras |
很常用，质量通常更稳 | DPM++ 系列常用 |
exponential |
去噪分布更激进一些 | 可以测试，但不是新手默认 |
sgm_uniform |
新模型/部分工作流常用 | 后面再学也行 |
simple |
简化路线 | 特殊场景，先不用管 |
我们现在最为实用的搭配：
快速稳定：
采样器：euler
调度器：normal
steps：20
cfg：7
更认真出图：
采样器：dpmpp_2m
调度器：karras
steps：24
cfg：6.5 或 7
细腻一点：
采样器：dpmpp_2m_sde
调度器：karras
steps：24~28
cfg：6~7
我们刚才尝试 3m 出问题，很可能就和 采样器 + 调度器 + 步数搭配不合适有关，于是我做了一些尝试，下面是设置以及一些生出来的图发现能够正常生图（哎呀，这个地方自己多试一试把）
实验六：其余的小点
其一：文生图时，通常必须保持：降噪 = 1.00，因为我们要让 AI 从噪声完整生成一张图。
降噪真正重要的地方：图生图
图生图是：
给 AI 一张原图，让它根据提示词重新画。
这时候降噪决定：
保留原图多少
改变原图多少
| 降噪值 | 效果 |
|---|---|
0.2 |
改得很少，基本保留原图 |
0.4 |
轻微重绘，适合修图 |
0.6 |
明显改变，但还能看出原图 |
0.8 |
大幅重绘，原图只剩大概结构 |
1.0 |
几乎重新生成 |
所以：
文生图：denoise = 1.00
图生图：denoise = 0.3~0.7 常用
我们现在还没开始图生图，所以先不用重点折腾降噪。
其二：宽度和高度是什么？
这个比较直观：
宽度 = 图片横向大小
高度 = 图片纵向大小
比如：
512 × 512
就是方图。
768 × 512
就是横图。
512 × 768
就是竖图。
其三：批量大小是什么？
批量大小意思是：一次生成几张图。
比如：批量大小 = 1，一次生成 1 张。批量大小 = 4，一次生成 4 张。
因为我们的显存比较的小，所以最好每一次生成一张图就可以了。
今日学习comfyui结束，等明天接着学习吧！