Stable diffusion 3.5本地运行环境配置记录

1.环境配置

  • 创建虚环境

    conda create -n sd3.5 python=3.10
    
  • Pytorch(>2.0)

    conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia
    
  • Jupyter能使用Anaconda虚环境

    conda install ipykernel
    python -m ipykernel install --user --name sd3.5 --display-name "SD3.5"
    
  • 安装transformer和tokenizer

    pip install transformers==4.38.2 
    pip install tokenizers==0.15
### Stable Diffusion 3.5本地部署指南 对于希望在本地环境中部署Stable Diffusion 3.5的用户来说,理解所需环境配置以及具体操作流程至关重要。虽然当前参考资料主要集中在其他模型上[^1],但可以借鉴类似的部署思路来完成这一目标。 #### 准备工作 确保计算机满足最低硬件需求,特别是显卡支持CUDA运算的能力。安装必要的软件包和依赖项,比如Python版本应不低于3.8,并通过`apt install -y npm`命令解决npm依赖问题以保障后续可能涉及前端界面构建的需求[^3]。 #### 安装PyTorch及相关库 由于Stable Diffusion高度依赖于深度学习框架的支持,在开始之前需先设置好合适的GPU加速环境: ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 此步骤确保了能够利用NVIDIA GPU进行高效的计算处理。 #### 获取并运行Stable Diffusion WebUI 目前最简便的方式之一是采用官方维护的Web UI工具来进行交互式的图像生成体验。克隆仓库后按照指示执行脚本文件即可启动服务端程序: ```bash git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui ./webui.sh ``` 上述指令会自动下载预训练权重文件并将应用托管至localhost供访问使用。 #### 配置优化建议 为了获得更好的性能表现,可根据实际情况调整参数设定,如降低分辨率、减少迭代次数等措施有助于缩短推理时间而不显著影响质量;另外也可以探索量化技术或混合精度训练方法进一步提升效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值