1. 为什么要在CPU或核显上跑Stable Diffusion你可能已经看过无数篇关于Stable Diffusion WebUI的教程它们无一例外都在强调一张高性能的独立显卡NVIDIA GPU是多么重要。确实对于追求速度和批量出图的创作者来说GPU是必需品。但现实情况是很多人手头只有一台集成显卡的轻薄本或者一台没有独显的办公台式机甚至是一台云服务器上面只有CPU资源。难道这就意味着与AI绘画无缘了吗答案是否定的。Stable Diffusion WebUI的核心推理引擎也就是那个把文字变成图片的“大脑”是完全可以运行在纯CPU或者Intel/AMD集成显卡核显上的。我最初接触SD时用的就是一台老旧的Intel NUC迷你主机只有一颗i7处理器和自带的Iris Xe核显。虽然生成一张512x512的图片需要一两分钟但对于学习原理、测试提示词、尝试不同模型来说完全够用。这就像用一辆小排量汽车学驾驶虽然飙不了高速但学会所有操作流程绰绰有余。选择CPU/核显部署通常基于以下几种非常实际的场景硬件限制学生党、上班族的主力机没有独立显卡或者显卡太老比如GTX 10系列以前无法有效支持。学习与测试你只是想了解Stable Diffusion的工作原理测试不同的模型和LoRA的效果对出图速度没有太高要求。服务器环境在一些云服务器或租用的VPS上GPU实例价格昂贵而CPU实例相对便宜适合用于搭建一个可随时访问的、慢速但可用的绘画服务。节能与静音独立显卡功耗和发热都大在不需要高强度创作时用CPU/核显运行更安静、更省电。所以如果你符合以上任何一种情况那么这篇基于CPU/核显的配置指南就是为你准备的。我们将一步步解决环境搭建、性能优化和常见问题让你即便在没有独显的“劣势”环境下也能顺利开启AI绘画之旅。2. 部署前的核心准备理解差异与选对工具在动手之前我们必须清醒地认识到CPU/核显模式与GPU模式的本质区别这决定了后续的所有配置逻辑。最大的区别在于计算后端。在GPU模式下WebUI默认使用torch的CUDA或DirectML后端将繁重的神经网络计算卸载到显卡的数千个核心上并行处理速度极快。而在CPU模式下所有的计算都依赖于CPU的通用计算核心虽然现代CPU核心数也不少但架构并非为这种密集矩阵运算专门优化因此速度会慢很多。核显集成GPU的情况稍好一些它本身是一个小型GPU可以通过如OpenVINO、DirectML等接口来加速但其计算单元数量和显存带宽与独立显卡相比仍有数量级上的差距。因此我们的准备工作需要围绕“如何让CPU/核显跑起来”以及“如何让它跑得尽量快一点”展开。2.1 系统与Python环境确认首先确保你的系统是64位的Windows 10/11或者Linux/macOS。32位系统无法运行。接下来是Python这是整个项目的基石。为什么必须是Python 3.10Stable Diffusion WebUI所依赖的PyTorch等关键库在特定版本下有预编译的、针对不同平台包括CPU优化过的二进制包。Python 3.10.x是这个生态圈目前兼容性最广、最稳定的版本。使用3.11或3.12可能会在安装某些依赖时遇到找不到预编译包需要从源码编译的窘境这对新手来说是灾难。我的具体操作访问Python官网找到3.10.x版本例如3.10.6, 3.10.11的安装程序。安装时务必勾选“Add Python 3.10 to PATH”。这能让你在命令行中直接使用python命令。安装完成后打开命令行CMD或PowerShell输入python --version确认版本正确。2.2 关键工具Git的安装WebUI的启动脚本和后续的扩展管理都依赖于Git来从代码仓库拉取更新。没有Git你将无法使用一键启动脚本。下载前往Git官网下载适用于你系统的安装包。安装一路默认选项即可。安装后在命令行输入git --version能显示版本号即成功。2.3 针对CPU/核显的特别优化器选择正确的Torch这是整个准备环节最核心的一步直接决定了WebUI能否启动以及运行效率。我们不再安装默认的CUDA版本PyTorch。对于纯CPU用户你需要安装纯CPU版本的PyTorch。打开命令行执行以下命令pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu这个命令会从PyTorch官方源安装针对CPU优化的、不包含任何CUDA驱动的库。安装后你可以在Python中验证import torch print(torch.__version__) # 输出版本号如2.1.0 print(torch.cuda.is_available()) # 会输出False这很正常因为我们就是CPU模式对于Intel核显用户推荐尝试如果你的CPU是Intel第11代Tiger Lake或更新架构的酷睿处理器其内置的Iris Xe或UHD核显性能不错可以尝试通过Intel的OpenVINO或微软的DirectML后端来加速。不过对于WebUI最直接的方式是安装支持DirectML的PyTorch适用于Windows。这能让PyTorch调用核显进行计算。pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/directml安装后WebUI在启动时可能会尝试使用DirectML后端。注意这种方式兼容性仍在完善中如果遇到问题回退到纯CPU版本通常是更稳定的选择。对于AMD核显用户情况更复杂一些。在Windows上可以尝试上述DirectML版本。在Linux上则可以尝试ROCm后端但配置门槛较高。对于绝大多数AMD核显用户尤其是在Windows下我建议先从纯CPU版本开始保证能运行起来再考虑后续优化。注意请务必在安装WebUI之前完成PyTorch的安装。因为WebUI的启动脚本会检查已安装的PyTorch并尝试基于此配置环境。如果先装WebUI它可能会自动安装一个带CUDA的PyTorch导致与你的硬件不兼容。3. Stable Diffusion WebUI 的安装与启动环境准备好后我们就可以开始部署WebUI本体了。这个过程相对标准化。3.1 获取WebUI源代码在你希望安装的目录下例如D:\AI\打开命令行。使用Git克隆官方仓库git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git这会在当前目录创建一个stable-diffusion-webui文件夹。3.2 放置模型文件WebUI只是一个操作界面生成图片需要“大脑”也就是模型。下载一个基础模型如sd_xl_base_1.0.safetensors可以从CivitAI等社区获取。将下载的模型文件.safetensors或.ckpt格式放入stable-diffusion-webui\models\Stable-diffusion\目录下。3.3 首次启动与关键参数配置这是CPU/核显用户最关键的一步。我们不能直接运行webui-user.bat因为它会尝试检测CUDA。进入stable-diffusion-webui目录。我们需要修改启动参数。找到webui-user.bat文件用记事本打开。找到set COMMANDLINE_ARGS这一行。等号后面就是我们添加启动参数的地方。对于纯CPU运行最基本的参数是--use-cpu all它告诉WebUI将所有组件包括VAE、CLIP都强制使用CPU。set COMMANDLINE_ARGS--use-cpu all对于希望尝试核显DirectML的用户可以尝试set COMMANDLINE_ARGS--use-directml如果启动失败或出错还是换回--use-cpu all。保存文件然后双击运行webui-user.bat。脚本会开始自动安装剩余的依赖包。这个过程可能会比较慢因为要下载很多Python库。请保持网络通畅并耐心等待。如果遇到某个包下载失败通常是网络问题重新运行脚本即可。首次启动成功后命令行窗口会显示一个本地URL通常是http://127.0.0.1:7860。在浏览器中打开这个地址你就看到了Stable Diffusion WebUI的界面。4. 性能调优与实用技巧让慢变得可用成功启动只是第一步在CPU/核显上默认设置下的生成速度可能慢到让你怀疑人生比如5-10分钟一张图。通过以下调整我们可以将速度提升到可接受的范围如1-3分钟一张。4.1 模型与参数的精简策略模型选择是第一要务。庞大的模型对CPU是巨大负担。首选小型模型放弃完整的SDXL 1.0约6-7GB转而使用它的蒸馏版或更小的模型如sd_xl_turbo或sd-1.5系列的优秀小模型很多在2-4GB之间。模型文件越小需要加载和计算的数据量就越少。使用FP16精度模型确保你下载的模型是fp16精度版本而不是fp32。fp16半精度浮点数在几乎不损失肉眼可见质量的前提下将数据量减半能显著减少内存占用和计算量。采样器与步数优化采样器选择Euler a或Heun这类传统采样器在CPU上通常比DPM 2M Karras等复杂采样器更快。你可以做一个简单测试固定其他参数用不同采样器跑20步对比时间。大幅减少采样步数在GPU上我们可能用20-30步追求极致细节。在CPU上我们的目标是“看到效果”。对于很多模型8-15步已经能产生可辨认、有创意的结果。尤其是配合sd_xl_turbo这类模型5步以内就能出图。分辨率控制生成512x512的图片比768x768快得多。先从512x512开始满意后再尝试提升。不要一开始就挑战高分辨率。4.2 WebUI内置的CPU优化选项在WebUI的设置Settings页面有一些隐藏选项对CPU用户很有帮助。进入Settings - Optimization。找到“Cross attention optimization”。这个选项决定了注意力层的计算方式。对于CPU将默认的Automatic或Doggettx改为xFormers或Scaled-Dot-Product可能会带来速度提升。注意xFormers需要额外安装且对CPU的优化有限但值得一试。如果安装xFormers失败Scaled-Dot-Product是一个稳定的备选。在Settings - Stable Diffusion页面可以勾选“Make torch use deterministic algorithms”。这个选项在某些情况下能提升CPU计算的稳定性但可能不影响速度。最重要的一个设置在Settings - User interface页面底部找到“Quicksettings list”。在输入框里添加--medvram和--lowvram这两个参数。虽然它们本是为显存小的GPU设计但在CPU模式下它们能优化内存调度策略有时能避免内存溢出并略微提升速度。添加后点击页面顶部的“Apply settings”然后重启WebUI。4.3 利用系统资源与进阶思路关闭不必要的程序生成图片时CPU占用率会达到100%。关闭浏览器、办公软件等能为Stable Diffusion腾出更多计算资源。监控温度长时间满负载运行CPU温度会很高。建议使用HWMonitor等工具监控温度确保散热良好避免过热降频反而导致更慢。尝试OpenVINOIntel用户专属这是一个更深入的优化方向。Intel OpenVINO工具套件可以将模型转换成针对Intel CPU和核显高度优化的中间格式IR从而大幅提升推理速度。但这需要将Stable Diffusion的模型进行转换步骤较为复杂涉及安装OpenVINO Runtime和运行转换脚本。这属于“玩家级”操作一旦成功性能提升可能是翻倍的。如果你有兴趣可以搜索“Stable Diffusion OpenVINO”寻找相关教程。5. 常见问题排查与解决方案在CPU/核显环境下你会遇到一些在GPU教程里看不到的“特色”问题。5.1 启动失败Torch相关错误问题描述运行webui-user.bat后出现红色错误提示关键词包含CUDA、torch.cuda.is_available()返回False等。根因分析WebUI的脚本或某个依赖库仍然尝试检测并使用CUDA但你的环境里没有。解决方案检查启动参数确保webui-user.bat中的COMMANDLINE_ARGS已经设置为--use-cpu all。检查PyTorch版本在命令行中进入WebUI目录下的venv虚拟环境如果有然后运行python -c import torch; print(torch.__version__)。确认你安装的是CPU或DirectML版本而不是cu118CUDA 11.8等版本。强制重装PyTorch如果发现装错了可以手动在WebUI的虚拟环境中重装。首先激活虚拟环境通常位于venv\Scripts\activate然后使用pip uninstall torch torchvision torchaudio卸载再用前面提到的--index-url命令安装正确的版本。使用离线依赖包在某些网络环境下自动安装会失败。你可以尝试从GitHub Releases页面下载已经打包好的依赖包如果有提供或者在一个网络好的机器上安装好整个环境然后拷贝venv文件夹过来。5.2 生成过程崩溃内存不足OOM问题描述生成图片时进程突然崩溃命令行提示Killed或MemoryError。根因分析Stable Diffusion模型和中间计算需要大量内存RAM。生成高分辨率图片或使用大型模型时可能超出你的物理内存导致系统开始使用硬盘上的虚拟内存交换空间速度急剧下降直至崩溃。解决方案降低分辨率这是最有效的方法。从256x256或512x512开始。使用更小的模型换用文件体积更小的模型。启用--medvram和--lowvram如前所述在WebUI的设置中添加这些参数。增加系统虚拟内存在Windows中手动将系统托管的分页文件虚拟内存设置得更大一些例如设置为物理内存的1.5-2倍。这不能提升速度但可以防止崩溃。分批处理如果使用“批处理”生成多张图将“批处理数量”设为1用“批处理大小”来控制总数可以减少单次内存峰值。5.3 生成速度极慢无法忍受问题描述启动和生成都正常但每张图要等好几分钟。根因分析这是CPU模式的常态。我们需要接受它“慢”的事实并通过优化让它“慢得合理”。解决方案综合应用第4章的所有技巧模型换用sd-1.5或更小的模型。参数采样步数降到10-15使用Euler a采样器。分辨率锁定512x512。系统关闭所有后台程序确保电源模式为“高性能”。心态调整将CPU上的Stable Diffusion视为一个“构思工具”或“提示词测试器”。用它快速验证想法和构图找到满意的提示词和参数组合。等到需要产出高质量最终图时再去寻找GPU资源例如按小时租用云GPU进行高速渲染。这种“CPU构思GPU渲染”的工作流对于资源有限的个人来说非常经济高效。通过以上步骤你应该能够在一台没有独立显卡的电脑上成功搭建并运行Stable Diffusion WebUI。虽然速度无法与GPU相比但它为你打开了一扇门让你能够不受硬件束缚地学习和探索AI绘画的无限可能。记住重要的不是工具的速度而是你使用工具创造的创意。