默认工作流参数
checkpoint加载器
这个节点没什么好解释的，就是加载一个checkpoint模型，分别输出unet模型、clip模型和vae模型，3者之间的关系和作用，可以查看传送门：通俗原理解释，一文读懂CLIP、Diffusion Models与VAE
CLIP文本编码
本节点用于接收clip模型，将输入的提示词通过clip模型编码，将编码后的向量作为采样条件传给采样器。
空Lagent图像
本节点输出一个空白画布到潜空间，其中的参数宽高规定了画布的大小，通常情况画布宽高不可超过对应模型训练数据集的宽高。批次大小，规定了一次画多少张图。
vae解码和保持图像节点
这两个节点也没多少好讲的，vae解码负责把潜空间的图像解码成像素空间图像，保存图像用于保存到本地目录+预览功能，如果不需要保存也可以替换为预览图像节点。
K采样器参数
种子（seed）
种子是一个随机高斯噪声（noise），之前在原理中曾提到过，一张图像是如何生成的，而种子决定了初始的噪声分布情况，在各项参数一致时，相同的种子具有同样的初始噪声。也就是同样的参数，使用相同的种子，可以生成相同的结果。
在ai生图中有一个名词叫做抽卡，既不断的使用随机种子，产生随机的高斯噪声分布，获得不同的结果。抽取的结果样本越多，就越有概率得到自己预期的生成结果。
生成后控制
主要作用是每次生成对种子的控制方式，分别是：
fixed（固定）固定种子；
increment（增加）在当前种子值的基础上+1；
decrement（减少）在当前种子值的基础上-1；
和randomize（随机），产生一个随机种子。
步数（steps）
规定采样器去噪步数，步数越多图像质量越高，但也不是越高越好，随着现在采样器的优化。通常情况20-30步就能得到非常棒的效果，至多不超过50步，对于绝大部分采集器更多的步数并不会得到更好的结果。这与采样器有关系，在稍后了解采样器后，会有一个更清楚的认知。
降噪（denoise）
这个参数可以理解为降噪/去噪程度，值是0-1，可以精确到小数点后2位；0代表0%，1代表100%。一般情况下使用空latent（空白画布）得到成品，都需要设置为1，若是比1小的值，代表噪声无法去除干净，不过这个值也有例外，在以后会接触到。
CFG
全称Classifier-Free Guidance（无分类器引导），通常情况sd系列模型，设置值为6-9，部分模型不完全依赖CFG，设置为1即可，这在后续遇到会注明。
关于CFG的论文（多语言版）下载：https://pan.quark.cn/s/b20184bdbee6
采样器（sampler）与调度器（Scheduler）
采样器（Samplers）和调度器（Schedulers）共同决定了AI模型，如何一步步地将“随机噪声”转换成你想要的图像。
采样器的本质是算法，它计算在去噪过程的每一个步骤中，如何根据当前带有噪声的图像、你的文字提示（结合CFG）、以及AI模型的知识，来预测并移除多少噪声（或者说，预测更清晰的图像应该是什么样子）。它负责执行具体的数学计算。
调度器定义了在扩散过程中每一步应该去除多少噪声（噪声调度表）。它告诉采样器：在当前的步骤 n（总步数为N），你应该期望图像中的噪声水平是多高（或者说，你应该预测多“干净”的图像）。它管理着整个去噪过程的节奏和步长序列。
常用的采样器特性
euler 速度快 10步就能得到比较好的结果，推荐20-50步
euler_ancestral 速度快，变化多
dpm_2 质量较好 速度慢 20步能出较好的结果，推荐30-50步
dpmpp_2m 速度快 质量好
dpmpp_2m_sde 速度快，质量好，变化多
uni_pc_bh2 较少的步数 >=10步就能得到非常高质量的图像；
dpm_adaptive 自适应步数，需要设置2或以上
常用的采样器与调度器组合
euler /euler a + simple / karras / bate /normal
dmpp 2M / dmpp 2M SED + Karras
评论(0)