凌晨两点，显卡风扇像一台小小的潮汐机
那晚窗外下着细雨，机箱里的风扇一阵一阵转高，我盯着第一张512×512图片慢慢浮现：一盏旧路灯、一只湿漉漉的猫。很多人第一次接触本地AI绘画，都会卡在同一个地方：教程看了很多，Stable Diffusion WebUI下载了，模型也放进去了，却不是报错，就是黑图，要么显存爆掉。技术有时像深夜电台，声音很近，信号却需要一点点调准。
先说结论：如果你只是想本地出图，8GB显存能跑；如果要做LoRA微调，建议至少12GB显存。我的测试环境是Windows 11、RTX 3060 12GB、32GB内存、Python 3.10.6。使用Automatic1111 WebUI生成512×512、20 steps、Euler a采样，单图约5.8秒；开启xformers后约4.6秒。数据不神秘，关键是每一步都可复现。
Stable Diffusion本地部署教程：先让它稳定出第一张图
免费路线优先：Automatic1111适合新手，ComfyUI适合流程节点控制。下面以WebUI为例，做一次干净安装。不要用最新版Python，很多报错都来自版本不匹配。
安装Git、Python 3.10.6，安装Python时勾选“Add Python to PATH”。
在一个英文路径目录执行：
git clone stable-diffusion-webui，如果你已有压缩包，也可以直接解压。把基础模型放到：
stable-diffusion-webui/models/Stable-diffusion，常见文件为.safetensors。编辑
webui-user.bat，8GB显存建议：set COMMANDLINE_ARGS=--xformers --medvram；12GB以上可用：set COMMANDLINE_ARGS=--xformers。双击
webui-user.bat，浏览器打开127.0.0.1:7860。
常见故障也有固定脾气。提示CUDA out of memory，先降分辨率到512×512，Batch size设为1；启动时报Python错误，检查是否为3.10.x；图片灰、糊、手崩，不一定是安装问题，先换模型和VAE，再固定seed对比。问“Stable Diffusion怎么用”的人，往往不是不会点按钮，而是不知道变量太多时该先固定哪一个。
LoRA训练教程：用少量图片微调一个自己的风格
模型微调别一上来就全量训练，那像为了修一盏台灯而重建电网。个人风格、人物、产品图，优先用LoRA。免费工具可选kohya_ss，本地跑；付费路线是租云GPU，省时间但要注意素材隐私。
我的一个小案例：用24张陶瓷杯照片训练产品LoRA，原图裁成768×768，训练1500 steps，RTX 3060 12GB耗时约42分钟，成品LoRA文件约144MB。关键参数如下：
训练图：15-30张，主体清晰，避免重复角度太多。
学习率：
unet_lr=1e-4，text_encoder_lr=5e-5。网络维度：
network_dim=16，风格可到32，人物通常16够用。步数：先从1000-2000 steps试，不要一开始训到过拟合。
训练后把LoRA放进：models/Lora，提示词写：<lora:your_lora_name:0.7>。权重从0.6到0.9试，若脸或结构变形，降低到0.5；若风格不明显，提高到0.8。所谓Stable Diffusion模型微调怎么用，本质是让模型记住“特征”，而不是强迫它背诵每张训练图。
如何验证它真的成功，而不是偶然出了一张好图
验证很简单，也很冷静。固定同一个模型、VAE、seed、采样器和提示词，分别关闭LoRA、开启LoRA 0.6、开启LoRA 0.8，各生成4张图。若主体特征稳定出现，构图没有明显崩坏，显存占用不再报错，就说明部署和微调基本可用。再用一组未参与训练的提示词测试泛化能力，例如换背景、换光线、换镜头焦段；如果它仍能保留你的风格，才算真正训练成功。
如果你同时在整理AI绘画、AI对话或Claude怎么用、Claude免费使用这类工作流资料，睿盈工具也会把一些实测笔记收在 https://wizzegroup.com；当然，官方文档、免费社区和本地DIY路线依然是最值得先走的路。深夜里，机器学会画图并不神秘，神秘的是我们终于能把脑海里的微光，慢慢调成一张看得见的图。