上一篇Prompt（提示词）- StableDiffusion文生图我们提示词的基本用法，本篇文章详细介绍下Sampling method以及Sampling steps。本篇文章如果无特殊说明，演示使用sd_xl_base_1.0.safetensors的基础模型，这个模型可以更好的理解自然语言，尺寸 1024 * 1024，固定随机种子（Seed）。
什么是采样
为了生成一张图片,Stable Diffusion 首先在潜在空间中生成一张完全随机的图片。然后噪声预测器估计图片的噪声。将预测的噪声从图片中减去。这样的过程重复十几次。最后得到一张干净的图片。这个去噪过程称为采样,因为Stable Diffusion 在每一步中生成一张新的样本图片，采样中使用的方法称为采样器或采样方法。
采样方法（采样器）
Sampling method，采样方法，选择不同的迭代方法可能生成不同的图片效果有所不同，我们这里体验几种迭代方法，看看不同的效果。
Prompt提示词：a running cat
这里我们固定迭代步数（Sampling steps）：20，使用WebUI的前8种的采样方法：DPM++ 2M Karras、DPM++ SDE Karras、DPM++ 2M SDE Exponential、DPM++ 2M SDE Karras、Euler a、Euler、LMS、Heun，效果图如下（展示图片已经压缩）：
可以看到20步的时候，可以生成效果不错的图片
迭代步数（采样步数）
Sampling steps，迭代步数，步数越大，意味着需要消耗更多的时间，我们使用4种采样方法：DPM++ 2M Karras，Euler、LMS、Heun，分别采用4步、 8步、10步、15步的方式生成图片，效果图如下（展示图片已经压缩）：
基本15步左右就可以生成不错的图片，DPM++ 2M Karras较少的步数就可以生成不错的图片，其他三个表现也不错，但是基本8-10步就可以出不错的图片，大家可以使用Script的中的X/Y/Z plot插件进行测试，关于X/Y/Z plot后续单独出文章进行详细说明。
上面只是粗略的进行测试，Sampling 和模型也有一定的关系，这里只是做一些简单的说明，更合适的数据需要我们平常生成图片的时候进行测试，找到合适的图片。
DPM(扩散概率模型采样器)和DPM++是2022年为扩散模型设计发布的新采样器。它们代表了具有相似架构的求解器系列。Euler（欧拉式采样器）以较少的步数产生很大的多样性，但很难做小的调整。LMS（线性多步法采样器），其运算速度较快，与欧拉采样器速度相仿，但准确性更高。Heun采样器是一种改进的数值积分方法，具有较高的数值精度和稳定性。它通常能够生成较高质量、较清晰的图像，但可能稍微增加计算成本
参考文献