原文：https://github.com/Excalibro1/fast-stable-diffusionwik/wiki/fast-stable-diffusion-wiki
确保你用的是最新的笔记本!https://colab.research.google.com/github/TheLastBen/fast-stable-diffusion/blob/main/fast-DreamBooth.ipynb
开始
首先，使用上面链接中的最新笔记本:)一旦你加载了笔记本，你将看到这个colab屏幕。
此时，你可以停留在这个总是更新的colab页面上，也可以通过转到“文件”，然后“将副本保存在驱动器中”，将副本复制到你的gdrive上，就像这样。
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.
为培训设置
现在我们已经准备好使用笔记本，开始我们必须挂载到gdrive，为此单击第一个单元格上的播放按钮。
一旦它连接到运行时，你将被要求用你的谷歌帐户登录，登录后，你将返回到笔记本，我们可以开始运行我们的下一个单元格。
gdrive挂载后，你将运行依赖单元，接下来将是模型下载，确保你选择了你想要训练的模型！这里有很多选项可以玩，因为你可以从gdrive/huggingface加载你自己的模型。
是时候创建一个会话，会话名称可以是任何你想要的，因为你只使用它来加载之前训练的模型来重新训练/使用，我通常只是将其命名为与我的实例令牌相同。
现在这部分对于训练非常重要我们需要instance_images这些是你希望训练的主题/风格的图像，因为sd 1.5是在512x512进行训练的强烈建议将你的图像裁剪到这个大小，以避免任何意想不到的结果，一个简单的方法是使用像https://www.birme.net这样的网站
一旦你的图像被调整大小，你将需要将它们重命名为相同的唯一标识符，这将是你如何在训练后稳定扩散中调用你的风格/主题，重命名所有文件在Windows上的一个简单方法是选择所有你需要重命名的，然后按F2并重命名为你想要的令牌，这应该将所有文件重命名为令牌(1)令牌(2)等等。对我来说，我将用shrk来代替怪物史莱克。
现在我们应该准备好上传我们的实例图像了，只需要点击实例图像单元格的播放，在底部你应该可以看到上传或取消上传的选项。
一旦完成，你的下一个选项是上传概念图像，这些图像将被用作重正则化，应该类似于你正在训练的内容，以帮助模型在许多不同的姿势或背景下创建训练对象的图像，这些图像不在实例图像中，本质上有助于不过度拟合你的模型。
让训练开始吧
这是魔法首先发生的地方，我建议你通读Ben写的每一部分的解释。
从Unet开始，我通常把这个低值设置为1000-1500。Unet很难过度训练，所以从低值开始是好的，你可以随时回来重新训练它，以达到你想要的结果。
text_encoder真的很挑剔，如果你在第一次运行时过度训练，你将不得不重新训练所有的模型(Ben的350默认是一个非常好的起点(对于一种风格，也许可以尝试从150开始测试模型，看看它是否需要更多的训练)
concept_text_encoder是最近添加到笔记本上的再次阅读Ben对它的简要解释，如果你有任何发现可以分享开始一个讨论线程就从那里测试:)
一旦你的所有设置都在按下播放按钮，等待训练完成。
一旦完成，它将转换成ckpt，可以在你的硬盘中找到fast-dreambooth/Sessions/shrk，但我们不需要去那里。
在下一个单元格“测试训练的模型”，你可以选择通过命名加载上一个会话或从gdrive目录加载一个自定义ckpt，但如果你刚刚完成一个训练会话，它将默认加载新训练的模型，所以不需要打乱那些设置。与use_gradio_server选项，您将看到两个URL我通常使用公共共享链接通过此服务器，当此设置未勾选时，它将使用本地隧道连接，这将只提供一个URL。
在这一点上，你已经很好了，你应该将你训练好的模型加载到automatic1111 web中，现在是时候进行测试了，首先尝试让它生成你的令牌。
这是一个只需要输入shrk的渲染(注意我的训练图像是垃圾，我只使用了其中的5张)
如果结果看起来还不错，尝试添加到提示符，看看你的风格或人/物体是否仍然通过。
安娜·迪特曼的《怪物史莱克的幽灵》，数字艺术，恐怖，在artstation上流行，动漫艺术，在Pixiv上精选，高清，8K，非常详细
恭喜你成功训练了一个模型👏从这里你可以做很多事情，如果你觉得你的主题的细节没有你想要的那么多，然后恢复unet的训练1000步，再次测试如果你正在使用你的token，但在任何地方都没有看到shrk，然后恢复文本编码器的训练，再100步，再次测试。
所有这些都不是一成不变的，这项技术是相当新的，每个人都在试图找到最佳的最佳设置，所以只要继续测试和创建模型，就可以享受它!
已知问题和解决方案
Moduel错误:
从我看到的大多数情况下，如果你运行一个旧的colab文件夹，这是一个问题，最好的解决方法是删除gdrive中的sd文件夹并重新运行auto1111
C ^错误:
如果你正在上传一个大模型(7gb或更多)，这是一个内存不足错误，如果你在其他地方遇到这个错误，请勾选large_model选项，尝试更改为高RAM运行时。
连接错误:
似乎是什么服务器之间的斗争最好的时候，如果gradio服务器不工作的理想，取消勾选框，并运行通过隧道服务器链接，反之亦然
扩展的错误:
如果你正在通过Automatic1111安装和运行扩展，当你遇到这些扩展的错误时，首先尝试搜索Automatic1111 github issues以查找类似的错误。
额外的信息
weight and biases与dreambooth一起培训SD的论文https://wandb.ai/psuraj/dreambooth/reports/Training-Stable-Diffusion-with-Dreambooth--VmlldzoyNzk0NDc3#the-experiment-settings可能会让您更好地了解文本编码器对培训的影响。