KSample

在这个步骤，原始潜空间的数据会慢慢经过降噪从而生成图像，下图是最基础的结点示意图：

采样器 - 图3

参数说明

参数	说明
随机种	这个是随机种子，它主要用于控制潜空间的初始噪声。如果你想重复生成一模一样的图片。就需要用到这个随机种子，前提是工作流其它部分都保持不变（对于某些情况来说，甚至要保证运行工作流的机器不变）。
运行后操作	每次生成完图片后，上面的 seed 数字都会变化，而这个配置项，则是设置这个变化规则：randomize（随机）、increment（递增 1）、decrement（递减 1）、fixed（固定）。
步数	采样的步数。一般步数越大，效果越好，但也跟使用的模型和采样器有关。
CFG	全称 Classifier Free Guidance（无分类引导法），代表生成图像对提示词描述的准确度，这个值设置一般设置为 6～8 之间会比较好。
采样器	采样器名称。你可以通过这个来设置采样器算法。如果你对它感兴趣，可以阅读相关的进阶教程。
调度器	调度器主要是控制每个步骤中去噪的过程。你可以通过它选择不同的调度算法，有些算法是选择每一步减去相同数量的噪声，有些则是每一步都尽可能去掉多的噪声。
降噪	表示要增加多少初始噪声，1 表示全部。一般文生图你都可以默认将其设置成 1。

采样器 - 图4

不同采样器在不同步数下的生图效果如下：

可以看到除了dpmpp_3m_sde_gpu以外，其它4个采样器在step:15后慢慢变得清晰，但是不同的采样器生成的图片结果是大大的不同。

采样器 - 图6

不同调度器在不同步数下的生图效果如下：

在生图效果上看，不同的调度器生成的图片在Step:20后基本收敛，但可以看到的是，不同的调度器所产生的图像也是不同的。

不同采样器在不同CFG下的生图效果如下：

可以发现，CFG过小时生成的图像容易“跑题”。

采样器 - 图8

更多参数对比大家可以自行尝试。