使用Stable Diffusion的生成图像，配置的参数有很多，今天我试了一下更改Seed，和LoRA对生成结果有什么影响。

Seed

Seed是一个随机数，相同的Seed每次都会产生相同的图像集，这对于再现性和一致性很有用。如果将Seed保留为 -1 ，则每次运行文本-图像特性时将生成一个随机Seed。一个最重要的特性是，具有相同参数、prompt 和 seed 将产生完全相同的图像。多亏了这一点，我们可以生成图片的多个相似变体（固定seed，调整prompt来生成不同表情的照片）。

LoRA

LoRA，英文全称Low-Rank Adaptation of Large Language Models，直译为大语言模型的低阶适应，这是微软的研究人员为了解决大语言模型微调而开发的一项技术。

比如，GPT-3有1750亿参数，为了让它能干特定领域的活儿，需要做微调，但是如果直接对GPT-3做微调，成本太高太麻烦了。

LoRA的做法是，冻结预训练好的模型权重参数，然后在每个Transformer（Transforme就是GPT的那个T）块里注入可训练的层，由于不需要对模型的权重参数重新计算梯度，所以，大大减少了需要训练的计算量。

研究发现，LoRA的微调质量与全模型微调相当，我愿称之为神器。要做个比喻的话，就好比是大模型的一个小模型，或者说是一个插件。LoRA本来是给大语言模型准备的，但把它用在cross-attention layers（交叉关注层）也能影响用文字生成图片的效果。

最早的Stable Diffusion模型其实不支持LoRa的，后来才加入了对LoRa的支持，据说，Simo Ryu是第一个让Stable Diffusion支持LoRa的人，感兴趣的话，去大佬的GitHub上看看这个项目。

GitHub – cloneofsimo/lora: Using Low-rank adaptation to quickly fine-tune diffusion models.

生成图片

图1和图2，一个使用了LoRA，另外一个没有使用，可以看出人物轮廓一样，但是可以看出一个是东方面孔，另一个是西方面孔。图3到图5生成使用了不同的Seed和LoRA，图片人物风格是类似的，背景和人物细节不同，不过生成的效果都挺好。