基于趋动云部署秋葉aaaki的Stable Diffusion整合包v4--linux版

B站大V秋葉aaaki的Stable Diffusion整合V4版发布了，集成度比较高，在windows下解压缩直接就可以使用，整合的非常好。但是笔人没有RTX4090这样级别的显卡，又希望有个高速运行的效果。
所以索性到云GPU主机上来用秋叶aaaki的Stable Diffusion webui，一番研究后，在趋动云部署成功。运行良好，速度飞快。
特此分享。
一、安装包分析

秋叶aaaki的Stable Diffusion安装包下载下来后，目测主要进行了python环境的集成，以及windows下的git工具集成。这样再加上一个windows的启动器程序，就可以很好的控制环境变量的加载和一些安装包扩展组件的安装、升级等。
但是启动器在linux下是不能运行的，所以本文主要是把秋叶的V4版整合包，拿来主义的方式，在云端部署起来用起来。整体过程还算顺利。
为了减小上传云端的文件量首先要改版一下，秋叶的安装包，把里面的py310文件夹和git文件夹删掉，因为这些通常在云平台得用云平台环境的python环境和git环境。并且这2个主要是支持windows下作业的环境，上云之后都是linux，就没必要了。

 干掉之后。压缩包从9.44G降到6.58G。这样就比较轻巧了！
二、思路

我们主要是希望在云平台直接使用秋叶集成好的Stable Diffusion WebUI ，并且主要是垂涎pyTorch2.0更高的性能，和秋叶用心对webui的集成成果。所以核心并不是将启动器移植到linux。而是将webui在趋动云的linux平台跑起来。
那么就要选择合适的云平台镜像，进行改造之后，操作起来就方便了！
但是和大多数AI GPU云平台一样，趋动云的GPU主机都是docker镜像的，docker镜像的开发环境都是基于python来运行jupyter来支撑在线多用户的隔离开发。而sd-webui要基于python3.10+pyTorch2.0的环境来跑，这与大多数云平台提供的python3.8/3.9存在冲突，很多奋战在一线的AIGC战友估计都有自己试过，但python的改变，往往会导致保存之后，镜像再也无法启动等问题。
所以最关键的问题就是，以官方最接近的镜像为基础，要进行miniconda的整合，并且要确保整合后形成一个带visual env条件的python环境，这样我们就可以在官方3.8或者3.9的python环境中，起一个3.10的python环境。还互不影响。
三、官方镜像分析&基础镜像制作

目标确定后，我们开始研究官方镜像。目前趋动云只有一版PyTorch2.0的官方镜像，之所以要选这个，是因为我们是要跑torch to GPU的，而如果官方没有提供一个整合好CUDA和显卡驱动的基础镜像的话，由于云硬件的未知性，想要从显卡驱动+CUDA开始往上一路做到miniconda的基础镜像，是不具备信息条件的。所以只能借力发力。
经过分析，最关键是miniconda安装完成后的最后一步，会向/root/.bashrc写入conda的init环境信息，以确保镜像启动后，进入命令行就进入conda的env环境体系。但是就是这个，会破坏趋动云官方的镜像的启动机制，导致镜像保存后就无法再启动。
so，怎么办呢？
办法就是，安装完成之后，把.bashrc里最后miniconda增加的部分，剪切出来，保存到code路径下，以后每次手动运行。避开保存环节，不破坏镜像。
conda在bashrc的末尾就增加了这段儿，一定要删掉，或者剪切掉。保存到自己的code区，随便一个文本文件。注意“/usr/miniconda3”这个路径，是安装miniconda时指定的，根据你得安装路径的不同。可能会不同。
[code]# >>> conda initialize >>># !! Contents within this block are managed by 'conda init' !!__conda_setup="$('/usr/miniconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"if [ $? -eq 0 ]; then    eval "$__conda_setup"else    if [ -f "/usr/miniconda3/etc/profile.d/conda.sh" ]; then        . "/usr/miniconda3/etc/profile.d/conda.sh"    else        export PATH="/usr/miniconda3/binPATH"    fifiunset __conda_setup#