以下是为您准备的“Stable Diffusion云部署实战：AWS/GCP/Azure环境配置指南”。本指南基于真实可靠的部署经验（参考Stable Diffusion官方文档和云平台最佳实践），逐步指导您在AWS、Google Cloud Platform (GCP) 和 Microsoft Azure上配置环境并部署Stable Diffusion模型。Stable Diffusion是一个开源的文本到图像生成模型，部署在云上可充分利用GPU资源，实现高效推理。

通用准备（所有平台通用步骤）

在开始平台特定配置前，需完成以下基础设置：

1. 安装必要工具：
   • 安装Python 3.8+（推荐使用Miniconda管理环境）：

     wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
     sh Miniconda3-latest-Linux-x86_64.sh
     conda create -n sd_env python=3.10
     conda activate sd_env
     

   • 安装Git和Docker：

     sudo apt-get update
     sudo apt-get install git docker.io
     sudo systemctl start docker
     

2. 克隆Stable Diffusion仓库：
   • 下载官方仓库（如Stable Diffusion WebUI）：

     git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
     cd stable-diffusion-webui
     

3. 准备模型文件：
   • 从Hugging Face下载预训练模型（如v1-5-pruned.ckpt），并放置在models/Stable-diffusion目录。
4. 设置环境变量：
   • 确保GPU驱动兼容（需NVIDIA GPU），验证CUDA版本：

     nvidia-smi  # 检查驱动状态
     

AWS环境配置指南

AWS使用EC2实例提供GPU支持。推荐实例类型：g4dn.xlarge（性价比高）或p3.2xlarge（高性能）。

1. 创建EC2实例：
   • 登录AWS控制台，启动EC2实例。
   • 选择Amazon Linux 2 AMI（或Ubuntu 22.04 LTS）。
   • 实例类型选GPU优化型，添加存储（至少50GB SSD）。
   • 安全组配置：允许HTTP（端口80）、HTTPS（443）和自定义端口（如7860用于WebUI）。
2. 安装GPU驱动和依赖：
   • 连接实例后，安装NVIDIA驱动和CUDA：

     sudo yum install -y kernel-devel-$(uname -r) kernel-headers-$(uname -r)
     distribution=$(. /etc/os-release;echo $ID$VERSION_ID | sed -e 's/\.//g')
     wget https://developer.download.nvidia.com/compute/cuda/repos/$distribution/x86_64/cuda-keyring_1.0-1_all.deb
     sudo dpkg -i cuda-keyring_1.0-1_all.deb
     sudo apt-get update
     sudo apt-get -y install cuda-drivers
     

   • 安装Python依赖：

     pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu117
     pip install -r requirements.txt  # 在stable-diffusion-webui目录运行
     

3. 启动Stable Diffusion：
   • 使用Docker运行（推荐，避免依赖冲突）：

     docker run -it --gpus all -p 7860:7860 -v $(pwd)/models:/app/models ghcr.io/stable-diffusion-webui:latest
     

   • 或直接运行WebUI：

     python launch.py --listen --port 7860
     

   • 访问http://<EC2-public-IP>:7860测试部署。
4. 优化与监控：
   • 使用AWS CloudWatch监控GPU利用率。
   • 启用Auto Scaling应对流量高峰。

GCP环境配置指南

GCP使用Compute Engine GPU实例。推荐实例类型：n1-standard-4搭配NVIDIA T4 GPU。

1. 创建Compute Engine实例：
   • 登录GCP控制台，创建VM实例。
   • 选择Ubuntu 22.04 LTS镜像。
   • 添加GPU：在“Machine configuration”中选NVIDIA T4，并启用GPU驱动。
   • 防火墙规则：允许tcp:7860。
2. 安装驱动和依赖：
   • 连接实例后，安装CUDA：

     curl -O https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
     sudo dpkg -i cuda-keyring_1.0-1_all.deb
     sudo apt-get update
     sudo apt-get -y install cuda
     

   • 设置Python环境：

     pip install -r requirements.txt
     

3. 部署模型：
   • 使用Docker简化部署：

     docker run --rm -it -p 7860:7860 --gpus all -v /path/to/models:/models stablediffusion/webui:latest
     

   • 访问http://<VM-external-IP>:7860验证。
4. 存储与集成：
   • 将模型文件存储在Google Cloud Storage桶中，挂载到VM。
   • 使用Cloud Logging记录日志。

Azure环境配置指南

Azure使用Virtual Machines with GPU。推荐SKU：Standard_NC6s_v3（配备NVIDIA V100 GPU）。

1. 创建虚拟机：
   • 登录Azure Portal，创建Linux VM（选Ubuntu Server 22.04 LTS）。
   • 大小选GPU系列（如NCv3），添加SSD磁盘（最小64GB）。
   • 网络配置：添加入站规则，允许端口7860。
2. 安装驱动和依赖：
   • 连接VM后，安装NVIDIA驱动：

     sudo apt-get install -y linux-headers-$(uname -r)
     wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
     sudo dpkg -i cuda-keyring_1.0-1_all.deb
     sudo apt-get update
     sudo apt-get -y install cuda-drivers
     

   • 安装Python包：

     pip install -r requirements.txt
     

3. 启动服务：
   • 运行Stable Diffusion WebUI：

     python launch.py --listen --port 7860
     

   • 或使用Docker容器：

     docker run -d --gpus all -p 7860:7860 -v /mnt/models:/app/models stable-diffusion-webui
     

   • 访问http://<VM-public-IP>:7860测试。
4. 成本控制：
   • 使用Azure Spot Instances降低成本。
   • 设置Auto-shutdown计划。

常见问题与优化

• GPU驱动问题：确保CUDA版本匹配（Stable Diffusion要求CUDA 11.x）。运行nvidia-smi检查。
• 端口无法访问：检查云平台防火墙规则和安全组设置。
• 性能优化：
  • 使用Docker简化环境隔离。
  • 监控资源：在AWS用CloudWatch，GCP用Cloud Monitoring，Azure用Monitor。
  • 调整实例大小：根据负载选择（小型测试用单GPU，生产用多GPU）。
• 成本估算：
  • AWS：g4dn.xlarge约$0.526/小时。
  • GCP：n1-standard-4 with T4约$0.47/小时。
  • Azure：NC6s_v3约$0.90/小时。
• 安全建议：启用VPC私有网络，使用SSH密钥认证，定期更新模型。

总结

本指南覆盖了AWS、GCP和Azure的Stable Diffusion云部署全流程。推荐初学者从AWS开始（文档丰富），GCP适合集成AI服务，Azure适合企业级应用。部署后，通过WebUI测试生成图像（如输入提示词）。真实部署中，可能需调整模型参数或添加插件（如ControlNet）。建议参考官方GitHub仓库获取最新更新。如有具体问题，可提供更多细节，我会进一步协助！