原文：https://github.com/Excalibro1/fast-stable-diffusionwik/wiki/fast-stable-diffusion-wiki
確保你用的是最新的筆記本!https://colab.research.google.com/github/TheLastBen/fast-stable-diffusion/blob/main/fast-DreamBooth.ipynb
開始
首先，使用上面鏈接中的最新筆記本:)一旦你加載了筆記本，你將看到這個colab屏幕。
此時，你可以停留在這個總是更新的colab頁面上，也可以通過轉到“文件”，然後“將副本保存在驅動器中”，將副本複製到你的gdrive上，就像這樣。
At this point you can either stay on this always updated colab page or make a copy to your gdrive by going to "file" then "save a copy in drive" like so.
爲培訓設置
現在我們已經準備好使用筆記本，開始我們必須掛載到gdrive，爲此單擊第一個單元格上的播放按鈕。
一旦它連接到運行時，你將被要求用你的谷歌帳戶登錄，登錄後，你將返回到筆記本，我們可以開始運行我們的下一個單元格。
gdrive掛載後，你將運行依賴單元，接下來將是模型下載，確保你選擇了你想要訓練的模型！這裏有很多選項可以玩，因爲你可以從gdrive/huggingface加載你自己的模型。
是時候創建一個會話，會話名稱可以是任何你想要的，因爲你只使用它來加載之前訓練的模型來重新訓練/使用，我通常只是將其命名爲與我的實例令牌相同。
現在這部分對於訓練非常重要我們需要instance_images這些是你希望訓練的主題/風格的圖像，因爲sd 1.5是在512x512進行訓練的強烈建議將你的圖像裁剪到這個大小，以避免任何意想不到的結果，一個簡單的方法是使用像https://www.birme.net這樣的網站
一旦你的圖像被調整大小，你將需要將它們重命名爲相同的唯一標識符，這將是你如何在訓練後穩定擴散中調用你的風格/主題，重命名所有文件在Windows上的一個簡單方法是選擇所有你需要重命名的，然後按F2並重命名爲你想要的令牌，這應該將所有文件重命名爲令牌(1)令牌(2)等等。對我來說，我將用shrk來代替怪物史萊克。
現在我們應該準備好上傳我們的實例圖像了，只需要點擊實例圖像單元格的播放，在底部你應該可以看到上傳或取消上傳的選項。
一旦完成，你的下一個選項是上傳概念圖像，這些圖像將被用作重正則化，應該類似於你正在訓練的內容，以幫助模型在許多不同的姿勢或背景下創建訓練對象的圖像，這些圖像不在實例圖像中，本質上有助於不過度擬合你的模型。
讓訓練開始吧
這是魔法首先發生的地方，我建議你通讀Ben寫的每一部分的解釋。
從Unet開始，我通常把這個低值設置爲1000-1500。Unet很難過度訓練，所以從低值開始是好的，你可以隨時回來重新訓練它，以達到你想要的結果。
text_encoder真的很挑剔，如果你在第一次運行時過度訓練，你將不得不重新訓練所有的模型(Ben的350默認是一個非常好的起點(對於一種風格，也許可以嘗試從150開始測試模型，看看它是否需要更多的訓練)
concept_text_encoder是最近添加到筆記本上的再次閱讀Ben對它的簡要解釋，如果你有任何發現可以分享開始一個討論線程就從那裏測試:)
一旦你的所有設置都在按下播放按鈕，等待訓練完成。
一旦完成，它將轉換成ckpt，可以在你的硬盤中找到fast-dreambooth/Sessions/shrk，但我們不需要去那裏。
在下一個單元格“測試訓練的模型”，你可以選擇通過命名加載上一個會話或從gdrive目錄加載一個自定義ckpt，但如果你剛剛完成一個訓練會話，它將默認加載新訓練的模型，所以不需要打亂那些設置。與use_gradio_server選項，您將看到兩個URL我通常使用公共共享鏈接通過此服務器，當此設置未勾選時，它將使用本地隧道連接，這將只提供一個URL。
在這一點上，你已經很好了，你應該將你訓練好的模型加載到automatic1111 web中，現在是時候進行測試了，首先嚐試讓它生成你的令牌。
這是一個只需要輸入shrk的渲染(注意我的訓練圖像是垃圾，我只使用了其中的5張)
如果結果看起來還不錯，嘗試添加到提示符，看看你的風格或人/物體是否仍然通過。
安娜·迪特曼的《怪物史萊克的幽靈》，數字藝術，恐怖，在artstation上流行，動漫藝術，在Pixiv上精選，高清，8K，非常詳細
恭喜你成功訓練了一個模型👏從這裏你可以做很多事情，如果你覺得你的主題的細節沒有你想要的那麼多，然後恢復unet的訓練1000步，再次測試如果你正在使用你的token，但在任何地方都沒有看到shrk，然後恢復文本編碼器的訓練，再100步，再次測試。
所有這些都不是一成不變的，這項技術是相當新的，每個人都在試圖找到最佳的最佳設置，所以只要繼續測試和創建模型，就可以享受它!
已知問題和解決方案
Moduel錯誤:
從我看到的大多數情況下，如果你運行一箇舊的colab文件夾，這是一個問題，最好的解決方法是刪除gdrive中的sd文件夾並重新運行auto1111
C ^錯誤:
如果你正在上傳一個大模型(7gb或更多)，這是一個內存不足錯誤，如果你在其他地方遇到這個錯誤，請勾選large_model選項，嘗試更改爲高RAM運行時。
連接錯誤:
似乎是什麼服務器之間的鬥爭最好的時候，如果gradio服務器不工作的理想，取消勾選框，並運行通過隧道服務器鏈接，反之亦然
擴展的錯誤:
如果你正在通過Automatic1111安裝和運行擴展，當你遇到這些擴展的錯誤時，首先嚐試搜索Automatic1111 github issues以查找類似的錯誤。
額外的信息
weight and biases與dreambooth一起培訓SD的論文https://wandb.ai/psuraj/dreambooth/reports/Training-Stable-Diffusion-with-Dreambooth--VmlldzoyNzk0NDc3#the-experiment-settings可能會讓您更好地瞭解文本編碼器對培訓的影響。