stable diffusion webui 部署

Windows 的就不介绍了，一是因为使用 Windows 大部分是个人机，具有完全操作权限，因此没什么操作难度；二是相关的资料实在太多。

准备工作

代理环境（没有也不是不行，不过稍微麻烦点，下文会给出解决方案）
git
具有较新版本驱动的 NVIDIA GPU（我的服务器使用的 Driver Version: 535.183.01 CUDA Version: 12.2）
- 不要用最新的，因为大概率不兼容
conda/mamba 环境

首先创建一个 Python 3.10.6 版本的虚拟环境：

必须是这个版本

1 2	conda create -n sdw python=3.10.6 conda activate sdw

然后克隆仓库（这是原版的 sdw，不是第三方的）：

1	git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

下载依赖和模型：

1 2	cd stable-diffusion-webui ./webui.sh

理论上说，在网络和驱动没有问题的情况下，按照上述部署过程，等一段时间后就可以正常启动 sd webui。但多数情况下不会如此顺利，所以这里对几个常见的问题做出说明。

如果你知道如何在 Linux 部署 clash 等代理客户端，那么只需要在执行依赖安装前，执行

1	export https_proxy=http://127.0.0.1:7890 http_proxy=http://127.0.0.1:7890;

此后无论是从 GitHub 还是 hugging face 下载，都会走代理环境。

如果你不清楚这是什么，那就按照“依赖安装”一节中的内容逐步操作。

从事深度学习的可能会发现一个问题，sd webui 使用的是 Python 自带的 venv 虚拟环境，这玩意显然是没有 conda/mamba 好用的，那可不可以将依赖安装在后者然后启动呢？

经过实测以及检索各方信息，我的建议是别这么干，原因如下：

代码能跑时，就不要去改它，这个道理 coder 应该都懂
我试图通过 pip install -r requirements.txt 在 conda 环境中预先下载环境，也确实能跑起来，但就本质来说，隔离环境这一点跟 venv 没有区别啊
此外，许多功能官方都封装在了 webui-user.sh/bat 的参数中。如果选择 conda 环境，将舍弃这一便利性，需要自行修改代码中相关参数。

综上，与其不断试错，不如配置好镜像和代理，使用 ./webui.sh 安装。

1 2	# pip 镜像 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

由于该模型需要从 hugging face 下载，所以这里建议手动从镜像站下载，然后移动到项目路径下的 models/Stable-diffusion。

由于模型文件较大，下载完成后记得校验 sha256 以确保文件未损坏。

上述工作完成后，执行 ./webui.sh 等待即可。

如果依赖安装完成后，启动时报错 torch 相关错误，请检查以下两点：

默认情况下，sd webui 运行在 127.0.0.1:7860，不支持本机以外设备访问。可以修改 webui-user.sh 中的 COMMANDLINE_ARGS 解决：

1	export COMMANDLINE_ARGS="--listen"

修改后重启 sd webui，将会在 0.0.0.0:7860 上启动。

稳定扩散模型 stable diffusion 本质上不支持跨多个 GPU 的并行工作，见 issue 11646。但如果你有多个 GPU，想运行多个 sd webui 实例，或者想让 sd webui 运行在某个指定的 GPU 上，可以通过 --device-id 参数实现：

1	export COMMANDLINE_ARGS="--device-id 1"

注意，export COMMANDLINE_ARGS="--device-id 0,1" 是错误的，不可识别。

sd webui 所需要的 pytorch 版本，按照 nvidia-smi 显示的 cuda 版本去下载，而不是 nvcc -V 所显示的 Runtime API 版本。

至于哪个版本可用，这是一个经验论问题，反复试错即可。