要为stablediffusion文生图设置一个4个字的标题，可以使用以下代码： ```python import matplotlib.pyplot as plt # 生成数据 x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] # 创建图形 plt.figure()

在Stable Diffusion攻略的WebUI页面上，我们可以使用文生图（txt2image）功能，让AI根据我们输入的文本来生成图片。

1. 参数解说

Stable Diffusion checkpoint：当前使用的模型。

Prompts 提示词：在这里填入正向和负向的提示词。

Sampling Methods 采样方法：不同的采样方法会得到不同的结果。

• UniPC：2023年发布的采样方法。
• DDIM和PLMS：2022年随Stable Diffusion v1发布的采样方法。

如果要兼顾品质和速度，建议优先尝试UniPC、DPM++ 2M Karras和Euler a这三种采样方法。

Sampling Steps 采样步数：建议至少设置为20，在使用Euler a和UniPC采样方法时效果较好。而对于DDIM，需要设置80以上的采样步数才能获得良好的结果。

Restore faces 脸部修复：使用脸部修复模型改善脸部生成效果，默认使用CodeFormer，可以在设置中切换为GFPGAN。

Tiling 平铺：生成类似地板花纹一样连续的图片。

Hires_fix 高清修复：可以提升图片的画质，但会消耗更多的VRAM。

Upscaler：选择要使用的放大器。

Hires steps：高清修复的步数。

Denoising strength：降噪强度。

Upscale by：缩放系数。

Width x Height 图片宽高：生成图片的宽高，尺寸越大品质越好，但会占用更多的VRAM。v1.5模型默认宽高为512×512，建议尝试768×768的v2模型。

其他可用的宽高比（ratio）请参考官方提供的表格。

CFG Scale：分类器自由指导的缩放比例，用于控制AI生成图片与提示词的相关度，数值越高，AI会更加按照提示词生成图片。

Batch count：设置一次生成多少张图片。

Batch size：一次生成的图片数量，通常设置为1。

Seed 种子码：用于生成图片的种子码。保存种子码有助于保留生成图片的风格。

Seeds Extra：用于测试更多种子码的变化。

Variation seed：变化的种子码。

Variation strength：变化的强度，值越高，生成的图片结果越不可预测。

Resize seed from width：根据宽度调整种子码。

Resize seed from height：根据高度调整种子码。

Scripts：加载用户编写的指令稿，内置有一些常用的指令稿。

保存提示词：可以保存和加载生成图片的提示词。

2. 实际操作

在Stable Diffusion攻略的WebUI页面上方可以看到当前使用的存盘点模型。如果需要切换模型，可以点击右上角的图标，在图形界面中选择要使用的模型。

在页面左上方填入正向和负向的提示词。

建议先尝试最快的UniPC采样方法，其次是Euler a和DPM++ 2M Karras。将Sampling Steps设置为20，Width x Height设置为512×512。

勾选Restore faces以改善脸部生成效果。

点击右上角的Generate开始生成图片。

根据显卡性能，大约一分钟后图片就会生成完成。可以右键点击放大并保存图片。也可以点击右下角的Zip按钮将图片打包下载为压缩文件。

左下角的Batch count可以设置一次生成多张图片。

如果对结果满意，建议保存种子码（Seed），以便日后使用，这样可以保留生成图片的风格。

无论是否保存图片，Stable Diffusion攻略生成的图片都会自动保存在主程序文件夹下的outputs文件夹中。