采样方法和步数选择
原理
各位观众大家好，我是Octppus，本篇文章会介绍采样方法和步数的原理，之后会出视频讲解。
使用Diffusion模型生成图片是一个去噪的过程
输入一张完全随机的噪点图
由训练好的噪声预测器生成一张当前步数（加上其他输入信息）的噪点图
噪声图减去生成出来的噪点图
将去除噪点的图片当作输入再执行2和3的步骤
以上的步骤需要执行许多次，直到从一张噪点图变成一张清晰的图片。
去噪的过程就被称为采样，不同的采样方法就表示不同的去噪方式
要进行去噪的次数，就是采样步数
使用不同的去噪方式会生成完全不同，且几乎无法预测的图像，因此选择不同的采样方式和采样步数，不能作为调整画面的内容的手段，只能用来调整生成图片的速度，质量，可控性和准确性。
采样步数
无论采样步数是多少，都是一个噪点数量从高降至0的过程。
采样步数多，噪点减少的过程就会比较平滑，可以减少截断误差。
足够的采样步数，如同从小学，初中，高中到大学，花的时间就，但是能学到完整的知识。
过低的采样步数，如同学会了四则运算，然后马上学习微积分，中间有大量的知识断层只能靠蒙。
过高的采样步数，如同只要9年就能学完的内容，学了18年，能学到的东西没有多多少，但是时间花了很久。
步数太多不但不会提升图片品质，还会平白浪费时间，但如果步数不够产生的图像效果又不佳。
不用担心对于所有采样方法来说，大于30步的步数都可以有一个不错的效果，但在处理大量图片的时候，减少步数可以节约大量的时间。
步数的选择主要取决于采样方法（使用插件的时候也需要针对性调整步数，但影响不大），不同的采样方法，图像收敛的速度也不同。
图像收敛
这里所指的收敛，就是说再采样的过程中，图像内容基本不变。
图像是否已经收敛，可以被视为生成完毕的一个指标。
大部分算法都可以在30步的时候收敛，其中Heun在20步的时候就已经收敛。
收敛之后的步数几乎没有意义，因为图像的改变非常细微。
但是！！！！！！！！！！！
有些采样方法会导致图像无法收敛，无论迭代多少步，产生的图像都会发生变化。
因为这些采样方法了祖先采样器（Ancestral sampling）
这会在每个步骤中添加随机噪声，即便是在步数很高，图像改变很小的时候，细微的变化累计也会造成图像发生很大的改变。
例如“Euler a”这个名字中带有a（Ancestral）的采样方法，就是采用了祖先采样器，有些不带a的也有采用，如DPM++ SDE 和 DPM++ SDE Karras。
能否收敛是区分采样方法的其中一条标准，这决定了生成的图像是否稳定可控且符合描述。如果希望生成的画面内容可控和准确就避免使用这一类采样方法，反之则使用。
一下两组图片使用了完全相同的生成条件，只改变了头发的颜色，一组使用Euler采样方法，一组使用Euler a采样方法。
收敛速度
除了生成图片的可控性之外，收敛的速度也是考量因素之一。
一些方法可以用更少的步数完成图像收敛，在批量处理的时候非常有用。
注意！！！！
使用同样的步数，生成图像的时间也会有很大区别。
画面质量
在相同的生成条件下，不同采样方法通常只要迭代到图片收敛，画质都没有明显的好坏之分。
除了极个别的拉跨方法。
好看千篇一律，丑的各有特点。总的来说，画面质量并不是主要考量因素，因为大部分方法在完成收敛后，画质区别都不大。
Karras噪声减少更为平滑，画面质量会相对更好一些。
总结
选择采样方式主要考虑稳定性，其实是生成图片的时间。
在完成收敛之后，大部分采样方式的画质都差不多。
相同条件下采用不同采样方法生成的图像内容差距很细微。
希望结果多变，选择带有祖先采样器的采样方式
希望结果稳定可控，选择不带祖先采样器的采样方式
不同采样方式的收敛步数不同，但是大多在30步之后收敛，因此超过30步之后的步数意义不大。
如果想要节省时间，选择收敛块的采样方式，并将步数调整至收敛完成的步数即可。
不懂怎么选的话，用“Euler步数30”
