提示词基础

基础书写规则

• 所有单词都是通过英文书写，单词之间通过, 分割，注意是英文逗号；
• 提示词之间是可以已通过换行书写的，并不会有什么影响；
• 单个提示词的权重是1 , 默认情况下，越往前，权重越大；
• 默认情况下，正反向提示词的单词数量在75以内，超过部分对于画面质量影响比较小；

我们通过几个例子展示，

关于单词数量：

img

关于描述，我们通过相同的提示词，然后不同的顺序来查看区别：

提示词：（一个女孩）（在广场）（敲架子鼓）（微笑）

1：A girl,in the square,playing drums,smiling
2：in the square,A girl,playing drums,smiling

当把场景词放在前面之后，会发现人物会有一个相当于广角的处理。广场的占比提高，而对于第一张图而言，会将人物放在中心前面；

各种符号

目前可以在提示词中增加权重的方式，有各种符号。比如 小括号()、中括号[]以及大括号{}。都是可以微调提示词的权重的。

小括号() 增加权重

用来增加当前提示词的权重0.1倍 ；

我们可以通过多层来确定权重，最多只能嵌套三层，最能够提升的权重就是1.331倍

推荐写法：还可以通过**😗* 来制定权重占比；

（一个女孩）(卷发)（在广场）（敲架子鼓）（微笑）
1：A girl,curls,in the square,playing drums,smiling
2：A girl,(curls),in the square,playing drums,smiling  # 将卷发增加了0.1倍
3：A girl,(((curls))),in the square,playing drums,smiling  # 将卷发增加到1.331倍
4：A girl,(curls:1.5),in the square,playing drums,smiling  # 将卷发增加到1.5倍

img

这里分别使用4个不同的提示词，在相同情况下的出图效果，能够明显感觉到卷发在不同权重下的表现是不一样的。

Tips：建议推荐权重占比在[0.3-1.5]之间，再小，再大效果不太明显；

大括号{} 增加权重

用来增加当前提示词的权重0.05倍 ；

我们可以通过多层来确定权重，最多只能嵌套三层，最能够提升的权重就是1.15倍

（一个女孩）(卷发)（在广场）（敲架子鼓）（微笑）
1：A girl,curls,in the square,playing drums,smiling
2：A girl,{curls},in the square,playing drums,smiling  # 将卷发增加了0.05倍
3：A girl,{{{curls}}},in the square,playing drums,smiling  # 将卷发增加到1.15倍

下面的图片是 增加了0.05倍以及增加到1.15倍的效果；

img

中括号 [] 降低权重

用来降低当前提示词的权重0.9倍 ；

我们可以通过多层来确定权重，最多只能嵌套三层，最能够降低的权重就是0.729倍

（一个女孩）(卷发)（在广场）（敲架子鼓）（微笑）
1：A girl,curls,in the square,playing drums,smiling
2：A girl,[curls],in the square,playing drums,smiling  # 将卷发降低了0.9倍
3：A girl,[[[curls]]],in the square,playing drums,smiling  # 将卷发降低到0.729倍
4: A girl,(curls:0.6),in the square,playing drums,smiling  # 将卷发降低到0.6倍

下面4张图分别就是不同提示词的权重出来的效果：很容易看出来最后降低权重的最后一张图片，卷发的关键词很少了；

img

尖括号 调用lora

主要是用来调用lora，目的是为了更好产生所需要的特定特征的主题画面；

调用格式是：

比如我们通过下面提示词内容来产生：

一个女孩穿着汉服：
1：a girl,wear Hanfu,
2：a girl,wear Hanfu, 

文章来源于互联网:Stable Diffusion最全提示词写法教程

这一次篇章主要了解关于提示词的书写内容。我们需要了解掌握的内容细节比较多。索性是后续都会有插件帮助我们增效。

为了保证大家的学习过程以及文档的编写过程，这里我们都不加任何模型，单纯是用默认自带的即可；

提示词基础

基础书写规则

• 所有单词都是通过英文书写，单词之间通过, 分割，注意是英文逗号；

• 提示词之间是可以已通过换行书写的，并不会有什么影响；

• 单个提示词的权重是1 , 默认情况下，越往前，权重越大；

• 默认情况下，正反向提示词的单词数量在75以内，超过部分对于画面质量影响比较小；

我们通过几个例子展示，

关于单词数量：

img

关于描述，我们通过相同的提示词，然后不同的顺序来查看区别：

提示词：（一个女孩）（在广场）（敲架子鼓）（微笑）  
  
1：A girl,in the square,playing drums,smiling  
2：in the square,A girl,playing drums,smiling  

当把场景词放在前面之后，会发现人物会有一个相当于广角的处理。广场的占比提高，而对于第一张图而言，会将人物放在中心前面；

各种符号

目前可以在提示词中增加权重的方式，有各种符号。比如 小括号()、中括号[]以及大括号{}。都是可以微调提示词的权重的。

小括号() 增加权重

用来增加当前提示词的权重0.1倍 ；

我们可以通过多层来确定权重，最多只能嵌套三层，最能够提升的权重就是1.331倍

推荐写法：还可以通过**😗* 来制定权重占比；

（一个女孩）(卷发)（在广场）（敲架子鼓）（微笑）  
1：A girl,curls,in the square,playing drums,smiling  
2：A girl,(curls),in the square,playing drums,smiling  # 将卷发增加了0.1倍  
3：A girl,(((curls))),in the square,playing drums,smiling  # 将卷发增加到1.331倍  
4：A girl,(curls:1.5),in the square,playing drums,smiling  # 将卷发增加到1.5倍  

img

这里分别使用4个不同的提示词，在相同情况下的出图效果，能够明显感觉到卷发在不同权重下的表现是不一样的。

Tips：建议推荐权重占比在[0.3-1.5]之间，再小，再大效果不太明显；

大括号{} 增加权重

用来增加当前提示词的权重0.05倍 ；

我们可以通过多层来确定权重，最多只能嵌套三层，最能够提升的权重就是1.15倍

（一个女孩）(卷发)（在广场）（敲架子鼓）（微笑）  
1：A girl,curls,in the square,playing drums,smiling  
2：A girl,{curls},in the square,playing drums,smiling  # 将卷发增加了0.05倍  
3：A girl,{{{curls}}},in the square,playing drums,smiling  # 将卷发增加到1.15倍  

下面的图片是 增加了0.05倍以及增加到1.15倍的效果；

中括号 [] 降低权重

用来降低当前提示词的权重0.9倍 ；

我们可以通过多层来确定权重，最多只能嵌套三层，最能够降低的权重就是0.729倍

（一个女孩）(卷发)（在广场）（敲架子鼓）（微笑）  
1：A girl,curls,in the square,playing drums,smiling  
2：A girl,[curls],in the square,playing drums,smiling  # 将卷发降低了0.9倍  
3：A girl,[[[curls]]],in the square,playing drums,smiling  # 将卷发降低到0.729倍  
4: A girl,(curls:0.6),in the square,playing drums,smiling  # 将卷发降低到0.6倍  

下面4张图分别就是不同提示词的权重出来的效果：很容易看出来最后降低权重的最后一张图片，卷发的关键词很少了；

尖括号 调用lora

主要是用来调用lora，目的是为了更好产生所需要的特定特征的主题画面；

调用格式是：

比如我们通过下面提示词内容来产生：

一个女孩穿着汉服：  
1：a girl,wear Hanfu,  
2：a girl,wear Hanfu, 

文章来源于互联网:Stable Diffusion最全提示词写法教程

相关推荐: 每日AIGC最新进展(5)：卷积神经网络在空间频率域中的对抗性鲁棒性、预训练多模态模型的情感认知合理性、3D Gaussian Splatting在实际应用中的高效渲染

Diffusion Models专栏文章汇总：入门与实战 Evaluating Adversarial Robustness in the Spatial Frequency Domain http://arxiv.org/abs/2405.06345v1 本…