怎样调试Stable Diffusion开发

调试 Stable Diffusion（SD）相关的开发，通常取决于你是在训练、推理、还是二次开发（WebUI / 插件 / 自定义 pipeline）。下面按常见场景给你一套系统性的调试思路。

一、先明确你“卡在哪一层”

Stable Diffusion 调试一般分 4 层：

二、环境调试（最常见问题）

1. 版本核对

SD 对版本非常敏感：

python - <<'PY'
import torch, sys
print(torch.__version__)
print(torch.version.cuda)
print(sys.version)
PY

常见组合：

• torch 2.x + CUDA 11.8 ✅
• torch 1.13 + CUDA 11.7 ✅
• torch 2.x + CUDA 12.x ⚠️（部分库不支持）

2. 显存 / CUDA 检查

import torch
print(torch.cuda.is_available())
print(torch.cuda.memory_summary())

如果 is_available() 为 False：

• 驱动太老
• torch 装成 CPU 版

三、模型加载调试

1. 检查权重是否完整

from safetensors.torch import load_file
state = load_file("model.safetensors")
print(len(state))

常见问题：

• ckpt 损坏
• 使用了 SD1.5 的权重但代码是 SDXL

2. 明确模型类型

四、推理调试技巧

1. 最小可运行示例

先跑官方最小代码：

from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")
image = pipe("a cat").images[0]

如果这里就报错 → 环境或模型问题

如果这里正常 → 是你代码的问题

2. 固定随机种子

generator = torch.Generator("cuda").manual_seed(42)
pipe(prompt, generator=generator)

用于：

• 对比修改前后差异
• 定位“结果变差”的原因

3. 逐步打印中间结果

latents = pipe(
prompt,
output_type="latent",
return_dict=False
)[0]
print(latents.shape)

可以看到：

• 是否在某个 step 爆炸
• 是否 NaN

五、训练 / Finetune 调试

1. 先跑通 demo

• LoRA：kohya / diffusers example
• Dreambooth：官方脚本

2. 监控 loss

正常：

• loss 先降后平

异常：

• loss 变 NaN → 学习率太高
• loss 不动 → 数据或模型冻结问题

3. 小批量验证

--train_batch_size 1 --gradient_accumulation_steps 1

六、WebUI / 插件调试

1. 看日志而不是看界面

python launch.py --debug

2. 插件隔离法

• 只留一个插件
• 逐个启用

3. 常见报错速查

七、实用调试工具

• torch.utils.bottleneck
• nvidia-smi
• tensorboard
• pdb / breakpoint()
• print(latents.isnan().any())

八、如果你愿意，我可以直接帮你

你可以告诉我：

1. 你在做：推理 / 训练 / WebUI / 插件
2. 使用的：SD1.5 / SDXL / 自训模型
3. 报错信息（贴一段就行）

我可以直接给你针对性排查步骤或改代码。