本日给各人分享的是Stable Diffusion提示词相关内容
提示词插件以及万字提示词库，可以扫描下方，免费获取
01、提示词基本概述
提示词通常是在文生图和图生图的时候会使用到，提示词由多个描述性词汇构成，由逗号隔开，结尾不需要加分隔符（注：一般都是英文词汇和英文逗号）。
提示词分为正向提示词（positive prompt）和反向提示词（negative prompt），用来告诉AI我们想要生成什么和不想生成什么。
SD提示词支持多种类型的表达方式，包括英语单词、短语，天然语言，颜文字、emoji表情
我们固定种子点为4182552405，使用MajicMixRealistic_V7模型，对比英语单词、颜文字、emoji表情看下效果：
SD对于这3种提示词都可以识别，但识别效果上轻微有点差别
02、提示词顺序
提示词网上有个说法建议按如下顺序举行书写：
综述（图像质量+风格+镜头效果+光照效果+主题）
主体（人物&对象+动作+服装+饰品+道具）
细节（场景+情况）
1)、质量提示词通常是整个画面的清楚度，分辨率，质量等等关键词汇构成。
如：masterpiece,best quality,8k,Ultra-high resolution
2)、风格提示词如有则建议放在质量提示词反面，例如某个画家或某些影视作品的风格
如：ghibli style
3)、镜头效果通常用来体现主体在画面中的位置，
如长镜头(long shot)，短镜头(short shot)，全景镜头(panoramic)等，镜头通常末了只选择此中一种即可。
4)、光照效果
通常是情况的灯光效果
如电影级照明(cinematic lighting), 丁达尔效应(tyndall effect), 体积光(volumetric lighting)等
5)、主题提示词这里通常是指整个画面出现什么样的主题，与风格有所区别，如深色主题(dark theme)，明亮主题(bright theme)等
6)、主体提示词通常这里才是描绘我们整体想生成的作品内容
如：1girl,beautiful face,long hair,white hair,
7)、动作提示词通常这里是我们主体的一些动作体现，
如跑(running)，走(walking)，笑(smile)等
8)、服装提示词这里是我们主体的服装体现，
如裙子(dress)，鞋子(shoes)，外衣(coat)等
9)、饰品提示词
这里通常是主体身上的一些饰品，
如头花(hair flower)，手镯(bracelet)，项链(necklace)等
10)、道具提示词通常这里是主体相关的道具，
如手提包(handbag)，话筒(microphone)，照相机(camera)等等
11)、场景提示词通常这里放主体所在的一些场景提示词，例如城市(city)，咖啡厅(coffer shop)，阛阓(mall)等
12)、情况提示词这里通常是所处的天然情况，
如白天(day)，晚上(night)，雨天(rain)等
现实我测试的时候，基本符合这个说法，下面我给各人演示下：
使用提示词：panda,bicycle,park 包含标点符号一共6个tokens
种子数：-1 随机种子
分辨率：512*512
迭代步数：30
提示词中的熊猫、自行车、公园在生成的图片都体现出来了，现在我把熊猫的单词顺序移到提示词的反面
同一批生成的10个照片有1个没有出现熊猫，分析可能是把熊猫移动到反面后，权重变低了，抽卡的过程可能会出现没有熊猫。
这个题目在网上看过一篇类似的文章：说是把熊猫移动到提示词的反面后，很大概率抽卡的图片没有熊猫，分析原因是：
提示词的位置顺序对其所营造的语境有着紧张影响，这一点对于使用过ChatGPT的用户来说应该并不陌生，ChatGPT会根据上下文来理解你的意图。
SD的语言模型部分也是遵循这一原理。例如，当我最初输入的提示词是“panda（熊猫）, bicycle（自行车）, city（城市）, flower（花）”时，模型可能会按照这些词的顺序将它们连贯起来，理解为“熊猫在有花的城市里骑车”的场景。然而，当调解提示词的顺序，将熊猫放到末了时，模型可能首先会遐想到“自行车在有花的城市里”的画面。但随后，当我在这个场景中突然加入一个熊猫时，模型可能会感到狐疑，不太理解熊猫在这个场景中的详细意义，以至于终极生成的图片中甚至可能不会出现熊猫。
我使用新版本没有测试出来这个题目，可能是新版本的SD语言模块优化了这个题目，提示词按照顺序调解权重。
03、提示词权重语法
上节我们讨论过，提示词在列表中的位置越靠前，其权重就越高。不过，在撰写提示词时，尚有其他方法可以增加其权重，这此中就涉及到了运用各种提示词符号的技巧。
1)、逗号(,)
提示词之间是通过逗号举行分隔，这样也可以认为逗号在一定程度上具有权重排序的功能，即逗号前面的提示词权庞大于逗号反面的权重。
2)、圆括号()
提升提示词的权重至原来的1.1倍。假如存在多层圆括号，则其权重为1.1的N次方（N为圆括号的层数）。
如，对于((1girl))，1girl的权重就被提升为1.1×1.1=1.21倍，以此类推。
3)、冒号( |
