先安裝好python3.9和torch2.7.0
然後裝diffusers
git clone https://github.com/huggingface/diffusers
cd diffusers
pip install -e .然後cd進入examples/text_to_image，裝其他包：
cd examples/text_to_image
pip install -r requirements_sdxl.txtcd退出來examples/text_to_image還會到之前的diffusers目錄下，裝xformers:
git clone https://github.com/facebookresearch/xformers.git
cd xformers
pip install -e .這裏説一下為什麼不直接pip install xformers
因為xformers版本不匹配會把之前的torch2.7.0卸載。我在安裝的過程中就被更換為torch2.9.0了。
接下來配置accelerate
accelerate config具體選項看這篇，介紹得非常詳細
配完accelerate之後，或者FQ去huggingface或者網盤或者modelscope去網上下載這兩個模型還有火影忍者數據集：
stabilityai/stable-diffusion-xl-base-1.0，下載文件夾名字為"stable-diffusion-xl-base-1.0"
madebyollin/sdxl-vae-fp16-fix，下載文件夾名字為"sdxl-vae-fp16-fix"
3.數據集：lambdalabs/naruto-blip-captions，下載文件夾名字為“lambdalabs”，裏面包含naruto-blip-captions，這個裏面再打開，才是數據
把這三個文件夾和你要運行的train_text_to_image_sdxl.py代碼放同級目錄。
運行命令裏與diffusers/examples/text_to_image /README_sdxl.md有一些不同：
第一行 增加了--num_proceses 4，表示我這次分佈式訓練在我4張GPU上
第二、三、四行修改參數值為模型所在位置，VAE位置，數據集位置
--push_to_hub，因為我連不上外網，這裏已經有--report_to="wandb"，可以把實驗過程記錄在wandb裏面了（要在wandb上註冊一下賬號）
accelerate lanuch --num_proceses 4 train_text_to_image_sdxl.py \
--pretrained_model_name_or_path="stable-diffusion-xl-base-1.0" \
--pretrained_vae_model_name_or_path="sdxl-vae-fp16-fix" \
--dataset_name="lambdalabs/naruto-blip-captions"
--enable_xformers_memory_efficient_attention \
--resolution=512 --center_crop --random_flip \
--proportion_empty_prompts=0.2 \
--train_batch_size=1 \
--gradient_accumulation_steps=4 --gradient_checkpointing \
--max_train_steps=10000 \
--use_8bit_adam \
--learning_rate=1e-06 --lr_scheduler="constant" --lr_warmup_steps=0 \
--mixed_precision="fp16" \
--report_to="wandb" \
--validation_prompt="a cute Sundar Pichai creature" --validation_epochs 5 \
--checkpointing_steps=5000 \
--output_dir="sdxl-naruto-model"參數解釋：
使用 accelerate 工具來啓動 train_text_to_image_sdxl.py 腳本，accelerate 可以幫助我們在多GPU、TPU等環境下進行分佈式訓練。
一些腳本參數解釋：
--pretrained_model_name_or_path=$MODEL_NAME：指定預訓練模型的名稱或路徑，這裏使用前面定義的 MODEL_NAME 環境變量。
--pretrained_vae_model_name_or_path=$VAE_NAME：指定預訓練VAE模型的名稱或路徑，使用前面定義的 VAE_NAME 環境變量。
--dataset_name=$DATASET_NAME：指定訓練數據集的名稱或路徑，使用前面定義的 DATASET_NAME 環境變量。
--enable_xformers_memory_efficient_attention：啓用 xformers 庫的內存高效注意力機制，能減少訓練過程中的內存佔用。
--resolution=512 --center_crop --random_flip：
--resolution=512：將輸入圖像的分辨率統一調整為512x512像素。
--center_crop：對圖像進行中心裁剪，使其達到指定的分辨率。
--random_flip：在訓練過程中隨機對圖像進行水平翻轉，以增加數據的多樣性。
--proportion_empty_prompts=0.2：設置空提示（沒有文本描述）的樣本在訓練數據中的比例為20%。
--train_batch_size=1：每個訓練批次包含的樣本數量為1。
--gradient_accumulation_steps=4 --gradient_checkpointing：
--gradient_accumulation_steps=4：梯度累積步數為4，即每4個批次的梯度進行一次更新，這樣可以在有限的內存下模擬更大的批次大小。
--gradient_checkpointing：啓用梯度檢查點機制，通過減少內存使用來支持更大的模型和批次大小。
--max_train_steps=10000：最大訓練步數為10000步。
--use_8bit_adam：使用8位Adam優化器，能減少內存佔用。
--learning_rate=1e-06 --lr_scheduler="constant" --lr_warmup_steps=0：
--learning_rate=1e-06：學習率設置為1e-6。
--lr_scheduler="constant"：學習率調度器設置為常數，即訓練過程中學習率保持不變。
--lr_warmup_steps=0：學習率預熱步數為0，即不進行學習率預熱。
--mixed_precision="fp16"：使用半精度（FP16）混合精度訓練，能減少內存使用並加快訓練速度。
--report_to="wandb"：將訓練過程中的指標報告到Weights & Biases（WandB）平台，方便進行可視化和監控。
--validation_prompt="a cute Sundar Pichai creature" --validation_epochs 5：
--validation_prompt="a cute Sundar Pichai creature"：指定驗證時使用的文本提示，這裏是“一個可愛的桑達爾·皮查伊形象”。
--validation_epochs 5：每5個訓練輪次進行一次驗證。
--checkpointing_steps=5000：每5000步保存一次模型的檢查點。
--output_dir="sdxl-naruto-model"：指定訓練好的模型的輸出目錄為 sdxl-naruto-model。
--push_to_hub：將訓練好的模型推送到Hugging Face模型庫。