凌晨两点，显卡风扇像一台小小的火车
我第一次把 Stable Diffusion 本地部署跑起来，是在一个冬天的深夜。屋里很静，只有机箱里那只风扇在低声转，像一列慢慢进站的火车。屏幕上进度条一格一格爬，CUDA 驱动、Python 环境、模型文件、VAE、启动脚本，所有东西都在等一个结果：它到底能不能画出第一张图？你如果也搜过“Stable Diffusion本地部署教程”“Stable Diffusion下载”“Stable Diffusion怎么用”，大概率会发现，真正卡人的从来不是“会不会点按钮”，而是环境、显存、模型路径、还有那种说不清的“明明装对了却跑不起来”。
我后来才明白，本地部署的意义不是“我也能生成图”，而是把创作的节奏握回自己手里。网络会抖，网页会挂，API 会限额，但本地机器不会问你今晚有没有灵感。它只问一件事：你有没有把路铺好。
先跑起来：最稳的本地部署路径
如果你是第一次接触，先别急着微调，先让基础链路闭环。最省心的组合通常是 Python 3.10 + Git + AUTOMATIC1111 WebUI，因为资料多、报错容易搜到、插件生态也完整。Windows 用户尤其建议把路径放短一点，比如 D:\sd，避免中文路径和空格引发奇怪问题。
标准流程可以这样走：先装好 NVIDIA 驱动，确认显卡能被系统识别；再装 Python 3.10.x，并勾选添加到 PATH；接着在命令行里克隆 WebUI。命令不复杂，但每一步都要看结果。
示例命令：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
webui-user.bat第一次启动会自动下载依赖，时间长一点很正常。我在一台 8GB 显存的 3060 上测试，首次拉起环境大约花了 6 到 9 分钟；如果你看到卡在某个包上，不要立刻重装，先看日志是否在下载模型或编译 CUDA 组件。真正的坑通常是显存：8GB 可以跑 512 分辨率出图，12GB 会舒服很多，16GB 以上才更适合边出图边训练。
如果启动报错，优先按这个顺序排查：一是 Python 版本是否过新；二是是否装了冲突的全局依赖；三是模型文件有没有放到 models/Stable-diffusion；四是显卡驱动是否太旧。很多“打不开”的问题，本质上都是“文件放错地方”或者“环境被别的软件污染了”。
微调别上来就硬训：先用 LoRA，少走弯路
模型微调这件事，最容易犯的错就是一上来就想训练整模型。可现实里，大多数人需要的不是“造一个新宇宙”，而是让模型更像某个角色、某种画风、某套产品视觉。这个时候，LoRA 是更合适的入口。它体积小、训练快、可控性强，训练完通常只有几十 MB，适合反复试。
我自己的经验是：先准备 20 到 60 张高质量图片，尽量统一主体、风格和背景噪声。比如你想训练一套产品海报风格，不要把不同光线、不同滤镜、不同分辨率全塞进去。图像越杂，模型越像喝了太多混合咖啡，最后什么都学到一点，却没有一样学深。
训练前先做三件事：第一，统一分辨率，常见是 512 或 768；第二，写好 caption，关键特征要稳定出现；第三，确认训练集里没有明显水印、裁切断边、低清模糊图。你可以用 kohya_ss 来做 LoRA 训练，参数先保守：
resolution=512
batch_size=1
network_dim=16
network_alpha=16
learning_rate=1e-4
max_train_steps=1200如果你做的是人物或固定物件，1200 到 2000 步通常够看出趋势；如果是复杂风格，可以先训练 1500 步，观察是否过拟合。过拟合的信号很直观：生成结果开始“照抄训练图构图”，背景纹理越来越死板，像被胶水粘住了一样。这个时候不是继续加步数，而是减小 learning rate，或者提高训练集多样性。
怎么判断它真的跑通了
验证不要靠“感觉”，靠对照。先固定一个 prompt，例如：cinematic portrait, soft rim light, detailed fabric, 35mm，再固定种子 seed，同一参数下先出原模型，再挂上 LoRA 对比。若 LoRA 有效，你会看到主体特征、风格倾向或材质细节稳定变化，但不会把整张图推翻重来。
我通常用三个指标看结果：一是出图时间，512 分辨率、20 步采样在 3060 8GB 上大约 6 到 10 秒一张；二是显存峰值，是否稳定不爆；三是风格一致性，连续 5 张图里，目标特征是否都出现。只要这三项成立，说明你的本地部署和微调链路已经通了。
如果你想继续往前走，下一步不是更复杂的参数表，而是建立自己的资料库：把常用 prompt、seed、LoRA 权重、训练集版本都记下来。技术最怕的不是难，而是失忆。等你把这些细碎的夜晚整理成习惯，Stable Diffusion 就不再只是一个工具，它会变成你思考图像的方式。至于想要一个现成入口的人，也可以把它当作备选方案之一，像 roxi.cc 这样的地方能帮你少走一些安装弯路；但无论走官方、免费还是自建路线，真正重要的，始终是你是否知道自己要训练什么、验证什么。
如何验证已经修好：重新启动 WebUI 后能稳定进入页面；同一 seed 连续生成 3 次结果一致；LoRA 挂载后主体特征明显变化但不崩图；任务管理器里显存峰值稳定、没有频繁报错或自动退出。