大家好，今天给大家分享的是关于 Stable diffusion 提示词的基础和进阶语法，为什么有必要了解这个呢？首先是提示词对出图效果影响很大，了解提示词的用法有助于我们写出更优秀的提示词；其次就是我们可能会去C站拷贝别人的提示词，虽然直接拷贝过来也能得到不错的效果，但这样只会“知其然，不知其所以然”，所以如果你想好好掌握SD，这一关还是有必要闯的！
一、基础规则
第一个规则就是：提示词之间是用英文逗号分隔的，如果你觉得把所有提示词都挤在一行比较不美观，你也可以换行，但是换行并不代表分隔提示词，如果你想分隔的话还是得加上英文逗号。
第二个规则是：提示词的权重从前到后依次降低，也就说越靠前的提示词权重越高，不过这也有一个前提，就是你的提示词没有使用任何增强/降低权重的语法。
比如我有这样两组提示词（大致场景是小女孩和城堡）：
# A组提示词
castle,landscape,1girl,loli,silver hair,school_uniform,crystal_earrings,kind_smile,arm_support,in summer,book,mini_witch_hat,frilled,strappy_heels,
# B组提示词
castle,landscape,1girl,loli,silver hair,school_uniform,crystal_earrings,kind_smile,arm_support,in summer,mini_witch_hat,frilled,strappy_heels,book,
这两组提示词的区别在于 book 提示词位置的不同（一个在中间，一个在最后），结果就是一个书比较多，一个书比较少
第三个规则（注意事项）是：提示词的数量尽量控制在75个Token以内。根据第二条规则，其实就可以得到越后面的提示词权重越低，所以提示词并不是越多越好。
SD的界面其实也有相应的提示，那Token是怎么算的呢？一般来说，一个单词算一个Token，英文逗号也算，比如castle,就是2个Token。
第四个规则（注意事项）是：提示词选用词组，而不是自然语言描述（仅针对v1.5模型，不包含SDXL）。还是上面的场景，一个萝莉女孩站在城堡旁边，我们翻译之后会变成：A loli girl stands by the castle
这其实就是一种自然语言描述，这样也能出图，只是像 by the 这种单词其实作用不大，但却白白浪费了Token和权重。
二、提示词权重语法
在SD中，每个提示词默认的权重为1，虽然我们可以通过调整提示词的位置来影响它的权重，但是这样未免太过麻烦，所以SD其实也有一套增强/降低权重的语法。
2.1 小括号增强
在SD中，英文小括号（）可以用来增强提示词的权重，一个小括号可以增加1.1倍权重，最多增加3个小括号，也就是 1.1 * 1.1 * 1.1 = 1.331 倍权重
2.2 大括号增强？
这个有待考证，据说英文大括号 { } 也可以用来增强提示词的权重，一个相当于是 1.05 倍的权重，但是我试了下效果并不明显，所以不确定这种语法在秋叶SD中是否有效
2.3 中括号降低
与小括号类似，不过中括号 [] 是用于降低提示词权重，一个中括号是0.9倍权重，最多3个也就是 0.729 倍权重
2.4 小括号直接增强/降低（推荐）
这种方式的写法是: (xxx: 1.5) ，冒号后面的就是权重，比较推荐这种设置方式，看起来比较直观。
注：试了下，不加小括号也有效果，比如 book:1.5
这种方式还有一个设置的快捷键：就是先选好提示词，然后按住 CTRL 键，通过控制上下方向键就可以快速调整。
三、提示词进阶语法
SD的提示词除了上述的基础语法外，还有一些进阶的玩法。
3.1 下划线连接
通过下划线（_）连接两个单词，可以起到连接的作用，便于SD将其看做一个整体，这种语法在秋叶整合包的提示词非常常见。
比如这个例子
# A组提示词
plate,coffee,cake,
# B组提示词
plate,coffee_cake,
在这两组提示词，A组由于coffee和cake没有连接，所以SD出图的时候可能会同时返回咖啡和蛋糕，但是B组返回的是咖啡蛋糕。
3.2 交替采样
交替采样的语法是： [prompt1 | prompt2 | prompt3]
采用这种方式，第一步采样会使用 prompt1提示词，第二步使用 prompt2提示词，第三步使用 prompt3提示词，到第四步又会使用回 prompt1提示词，循环往复，交替进行。
如果你想把两种，或者多种东西融合成一种，比如颜色渐变，或许这是一个值得尝试的方案。
还是给一个例子
# A组提示词
1girl,red hair,blue hair,wavy hair,
# B组提示词
1girl,[red|blue|wavy] hair,
对比图如下：
3.3 比例采样
比例采样跟前面的交替采样有点像，但是比例采样可以做到更精细化！
第一种方式：prompt1,[prompt2: 0-1数值]。这种方式表示采样值达到指定数值后才使用提示词 prompt2。
第二种方式：prompt1,[prompt2:: 0-1数值]。这种方式比第一种多了一个冒号，表示采样值达到指定数值后就不使用提示词 prompt2 了。
第三种方式：[prompt1:prompt2: 0-1数值]。假设数值是0.3，这种方式表示采样值前30%使用prompt1，后70%使用prompt2。
关于比例采样的使用场景，其实也是适合将多种东西合并在一起，只不过他因为能做到更精细化，所以出图效果会更好，比如**这篇文章[1]**就提到将多张人脸合并为一张新人脸，感兴趣的可以看下。
注：特朗普和拜登的融合肖像
四、提示词预设样式
有时候我们写了一组不错的提示词，想着以后可以再用，这时候预设样式就派上用场了，它的作用就是保存提示词，便于我们下次直接复用。
需要注意的是，保存的方式不同版本有所不同，目前我的版本是这样的：
五、提示词书写插件
如果你是用秋叶大佬的SD，那么它自带的提示词插件其实已经能够满足大部分人的需求，不仅拥有非常多的提示词，而且提示词都整好分类了，并且自带翻译，使用非常方便。
如果你是Linux系统，或者因为其他原因用不了秋叶SD该怎么办？其实很简单，因为秋叶SD也是通过安装提示词插件才实现上面的效果，如果你是sd-webui，同样可以通过安装插件实现相同的效果。
AI绘画SD整合包、各种模型插件、提示词、AI人工智能学习资料都已经打包好放在网盘中了，无需自行查找，有需要的小伙伴文末扫码自行获取。
写在最后
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
一、AIGC所有方向的学习路线
AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、AIGC必备工具
工具都帮大家整理好了，安装就可直接上手！
三、最新AIGC学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、AIGC视频教程合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
若有侵权，请联系删除
标签：diffusion,采样,权重,提示,小括号,AIGC,攻略,Stable,SD
From： https://blog.csdn.net/qq_41314882/article/details/139745442