一、prompt小技巧
1. 调整关键词权重
有时候输入关键词，你会发现，好像这个关键词的效果不怎么明显。这在生成图片的时候很常见。除了通过前置关键词提升权重之外，使用()将关键词括起来也能起到相似效果。除此之外，通过这种方式还可以降低关键词的权重，只需要更改括号里边的数字即可。
调整关键词的形式：(关键词:1.2) ****注意这里的括号和冒号都是英文输入法下输入的
以下是个例子：
Prompt：a beautiful castle sitting on top of the mountain,(trees:1.2), blue sky, sunny, sunlight, highly detailed（一个漂亮的城堡坐落在山顶上，树，蓝天，晴天，阳光，丰富细节）
仅改变trees的权重，其它保持不变。如下图所示：

通过观察可以发现，随着权重的增加，画面中树的比例也逐渐增高。如果你发现某些关键词的效果不明显，你可以使用这种形式来强调它们。
可能你也见过其他形式的权重调整，例如使用括号的数量来表示权重增加或减少，如(关键词)、((关键词))、(((关键词)))、[关键词]、[[关键词]]、[[[关键词]]]。
其中，一个括号表示增加0.1的权重，而一个方括号表示减少0.1的权重。因此，可以将其等效地表示为：
(关键词) = (关键词:1.1)
((关键词)) = (关键词:1.21)
(((关键词))) = (关键词:1.33)
[关键词] = (关键词:0.9)
[[关键词]] = (关键词:0.81)
[[[关键词]]] = (关键词:0.73)
因此，推荐使用我之前提到的(关键词:权重)的形式，这样更加统一且方便操作。
Tips：在webui的prompt中选中要调整权重的关键词，然后按ctrl+方向键↓或↑即可快捷调整权重。

2、混合关键词
混合关键词的表达形式为：[关键词1:关键词2:比例]，比例的取值范围为0-1。
具体的取值根据采样步骤和关键词的不同而变化
以下是个例子：
Prompt: an illustration of [roses:cloud:0.5]
从0.5开始逐渐降低值至0，效果对比图如下：

这里需要注意：
1) "Roses"和"cloud"的位置如果发生互换，会产生完全不同的效果。这是因为模型在生成过程中是按照prompt关键词的顺序进行迭代的。
2) 越前面的步骤越重要。这是因为SD模型的每个步骤的降噪数量在训练之初已经确定，步骤越往前，降噪的数量越多，因此前面的降噪步骤就已经决定了整个图片的构图，后续的步骤只是在增添和改变一些细节。这就是为什么在上面的例子中，只有取值小于0.5之后效果才会明显，另外你还会发现云和花的形状是很相似的，位置有对应关系。
3) 混合并不是100%成功。这是由模型特征决定的，SD本身是一个概率模型，因此输入的任何prompt都是增大拟合该prompt的趋势，缩小输出范围，而不是指定只能输出符合prompt的内容。
混合权重的更多例子：
1) 混合人脸
Prompt: a portrait of [Ana de Armas: Emma Watson:0.5], clear eyes

2) 混合艺术家风格
a beautiful castle sitting on top of the mountain,blue sky, sunny, sun light, highly detailed, by [Pablo Picasso: van Gogh:0.1]

3) 更多混合方式，自己放开脑洞去探索吧！

3、其他tips
1) prompt不区分大小写，输入的大写字母会被处理成小写字母再进行后续计算
2) 输入的空格会被省略，不被识别
3) 逗号可以被识别，也算是一个词（token）
4) 要想知道自己输入的prompt是怎么被分词的，可以将prompt复制到这个网址：https://platform.openai.com/tokenizer

二、分享一些tags
1、构图
在使用SD模型生成图片时，需要注意一些细节。SD模型的训练数据来自于网络，因此tags（标签）更倾向于使用口语化表达，而非专业术语。这意味着一些常见的景别描述如"medium shot"（中景）和"full shot"（全景）可能无法产生理想的效果，因为这些表述很少出现在训练数据中。然而，也有一些例外情况。有些模型在微调过程中可能添加了更专业的tags，这样就能够更好地生成对应的景别效果。
另外，还有一些特定的术语如"cowboy shot"（牛仔镜头）可能无法被一些模型正确识别，导致生成的图片中出现牛仔服装的人物。为了避免这种情况，可以通过在negative prompt（负向提示侧）中加入其他关键词，如"full body"（全身）或"closeup"（特写），以限制生成范围，从而得到所需的景别效果。
再次提醒，使用这些tags生成的图片不会100%地符合预期。因此，不能仅仅依靠单张图片的内容来判断prompt是否合适。为了达到更好的效果，建议一次性生成多张图片，然后根据需要情况来调整提示。
当我们观察生成的多张图片时，可以结合我们的需求和判断来调整prompt。根据生成的结果，我们可以选择调整关键词、添加限制条件或者尝试不同的表达方式。通过这种迭代的方法，我们可以逐渐接近想要的效果。
以下是一些示例：

2、风格
在使用标签生成图片时，有时会发现使用一些风格类的关键词，如"illustration"（插画）、"cartoon"（卡通）等，生成的图片风格非常多样。这是因为训练数据中的插画风格本身就包含了很多不同的风格变化。为了更好地控制生成的结果，我们可以进一步限定生成范围：
1) 通过添加关键词如"flat design"（扁平化设计）、"2D"等，来生成更平面的插画风格。这样可以使生成的图片更加符合平面插画的特点。另外，通过再negative prompt添加与期望风格相反的关键词，也能够限定生成的结果，以获得与之相反的风格效果。
2) 通过添加相关艺术家的名字或艺术家关键词，可以引导模型生成更具特征性和独特的图片。艺术家关键词通常与特定的艺术风格或创作方式相关，因此可以帮助我们缩小生成范围，更加准确地获得所需的效果。
以下是一些示例：

3、媒介
单独使用媒介tag，也会出现风格非常多样的图片，原因跟之前提到的完全一样，解决方法也完全相同，这里不再赘述。
以下是一些示例：

5、灯光效果
调整灯光效果是一项相对困难的任务，因为SD模型缺乏对三维空间的理解能力，因此很难准确呈现不同方位灯光的效果。然而，通过添加相关的关键词仍然可以产生一定效果。这是因为虽然SD无法理解三维空间，但它对于图片的色调和明暗有很好的学习能力。
例如，关键词"back light"虽然无法真正呈现背光效果，但会使人物正面变暗，并给头发产生发光的效果。另外，关键词"hard light"相对于"soft light"会产生更高对比度的图片，这是使用硬光的特点之一。如果你有摄影经验，这应该不难理解。
需要注意的是，有些光效关键词还可以用其他表达方式来表示。例如，"side light"也可以表达为"side lights"。如果发现效果不明显，可以尝试添加更多类似的词语来进一步调整灯光效果。其他类型的关键词也可能有相似的情况。

6、颜色氛围
这个不多解释，非常直观。
SD对颜色信息的学习没啥难度，因此操控起来显得比较轻松。
以下是一些示例：

下期内容深入讨论一下tags，关注一下哦