心往向之，行必能至!今天学习并记录一下自己对comfyui的一点点理解，可能对可能不对，发出来主要是便于记忆和运用，如果你看到了请参考指正！

comfyui生成图像的过程是先铺噪点再去噪点的过程，所以必须有大模型、文本编码器（有正向和反向两个输入框），由于文生图流程中文字和图片属于两种不同的模态，所以要有clip text encoder以提示词的形式让文字和图片建立联系！

empty latent image（空白图片）这个框是输入图片的尺寸，在传入采样器中KSampler（采样器)中，加入噪点再由由主模型、提示词、controlnet等去噪点，采样器之前都在潜在空间中运行，然后vae decode后，把潜在空间的图像解码到像素空间！

写到这里突然明白了生图的过程clip text encode(编码器）➡️empty latnt image(空白潜在空间）➡️ksample(采样器）这个阶段也是降噪的过程➡️vae decode(vae 解码器）正好和上面编码对应这一步，将潜在空间的图片还原到了像素空间！

看到这幅图貌似懂了什么是潜在空间和像素空间了，不知道理解的对不对但是按我的逻辑我记住基本的文生图节点连接顺序了！

路随远行则将至，接下来学习记忆搭建comfyui文生图工作流，一般来说先搭建采样器ksample,老规矩上图学习记忆！

第一个seed种子，种子的生成方式有一下几个如第二行，fixed固定种子，increment增加随机种子，decrement减少随机种子，randomize随机种子！

steps采样部署，cfg提示词相关性，sampler采样器，（这里包含sd里的一些采样器例如euler,euler a(即是ancestral祖传的缩写），这里面还有带着sde的采样器，他们因为都比较古老所以随机性更强更不可控制！

还有带fast的dpm,例如dpm+fast这都是早期的采样器，dmp2就是在dpm的基础上改进的采样器，heu算是更早的采样器了！但是其实用的画大概率模型作者会推荐你用某个采样器，也可实践看自己习惯了！

继续学习倒数第二个参数，scheduler调度器，这是在每一个迭代步数控制噪声量的大小。主要分三个normal标准（线性的一开始大最后再减少），karras卡拉斯（S形状铺噪点的方式，小大小大小），exponential指数(铺噪点很快断崖式增长或者减少），simple（快速的扑满噪点），一般选normal或者karras就行！其实我也不懂看作者论文及主播讲解的！

为了帮助大家更好地掌握 ComfyUI，我在去年花了几个月的时间，撰写并录制了一套ComfyUI的基础教程，共六篇。这套教程详细介绍了选择ComfyUI的理由、其优缺点、下载安装方法、模型与插件的安装、工作流节点和底层逻辑详解、遮罩修改重绘/Inpenting模块以及SDXL工作流手把手搭建。

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取

一、ComfyUI配置指南

• 报错指南
• 环境配置
• 脚本更新
• 后记
• …

二、ComfyUI基础入门

• 软件安装篇
• 插件安装篇
• …

三、 ComfyUI工作流节点/底层逻辑详解

• ComfyUI 基础概念理解
• Stable diffusion 工作原理
• 工作流底层逻辑
• 必备插件补全
• …

四、ComfyUI节点技巧进阶/多模型串联

• 节点进阶详解
• 提词技巧精通
• 多模型节点串联
• …

五、ComfyUI遮罩修改重绘/Inpenting模块详解

• 图像分辨率
• 姿势
• …

六、ComfyUI超实用SDXL工作流手把手搭建

• Refined模型
• SDXL风格化提示词
• SDXL工作流搭建
• …

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取