概述
文生图环节，到底要生成一张什么内容的图片，主要是靠提示词，所以提示词的好坏会非常影响画面质量，如果给的过于复杂，那么模型会懵逼，不知道该怎么去画，所以，需要尽量简洁明了的表达你想要画的内容。
当然了，由于A算法的随机性，同样的提示词，也是不太可能能生成同样的画面的，所以，提示词也被称为咒语”，毕竟，有时候会不太灵验…
提示词与反向提示词
“你想要生成的图像是什么样子，就在这里用文字进行详细描述；”
[以下实例配图采用revAnimated大模型+vae-ft-ema-560000-ema-pruned,采样器不一定]
·支持自然语言描述，不一定非得是一个个的单独单词，如：a little girl wearing a white swimsuit is reading at the beach;
路·支持中文，但是对中文的支持度很差，所以不建议当前版本用中文，如：一个在海边读书的小女孩，生成图像如下：
读懂了海边和小女孩，但是没有读懂读书：
·除了自然语法外，提示词中最常用的是标签语法，以单词或短语来给AI做提示，比如masterpiece,best
quality,,1dog,1girl,sun,temple in background,等等；
·关键词之间需要用英文逗号，隔开：
·越往前的提示词，权重越高，所以先写关键的画面主体部分；
·大模型并不认识你知道的所有的单词，除了一些常见的提示词所有大模型都支持外，很多提示词在输入之前需要确认大模型是否认识，检测的方式就是，只输入这个提示词，看下生成的图像是否大概正确，如果完全不对，说明这个提示词大模型根本不认识，所以就需要换个模型或者换种描述方式，比如说：葫芦娃兄弟，翻译成英文就是Calabash Brothers,输入之后：
·颜文字：理论上支持，但是实测效果一般，不如直接使用单词描述，这里不做推荐；
·Emoji::可以理解为emoj是单独训练过的重点提示词，可以很强的改变图像。强烈推荐试试Emoj训，比如说一个在球场的黑人女孩，可以简单的输入：1girl，
没有文字数量限制，但是的整体注意力是有限的，所以太长了，后边的关键词基本都会被忽略，所以请尽量简洁的描述你想要的画面；
反向提示词
“也称为负面提示词，你不想画面中出现什么，就在这里填写什么”
使用负面提示词可以筛选掉不需要画面元素、不想要的画风、措误的绘画手法等等。
总的来说可以分为三个方面
1.移除画面中的某些元素，比如说不想让画面中出现猫，就可以在这里填写：ct;
2.修正画面中的主体细节，比如说不想让画面主体的女孩是长发，就可以写：long hair;
3.修正画风，比如说不想生成的图片像草图，就可以写：draft;
PS:如果不希望画面中出现太多成人元素，就可以在负面关键词写nsw这四个字母的意思是not safe for work,
提示词基本写法
在tag里面，越往前的提示词，权重越高，所以原则就是：你需要将你最想要的，写在最前边。
提示词基本有这么几大类：
画面主体：你想要的这幅画主要是讲了什么，就完整的写出来：
画面背景：你想要的画面背景是什么，也需要做一些描述，比如说：mountain in background;
画面质量类：确定画面总体生成质量，比如说：masterpiece,best quality等，但实际影响效果一般，所以不要迷信这一类关键词，这类关键词也不是越多越好：
画风描述类：插画jillustration,草图draft,厚涂impasto等；
画面构图类：全身full body,肖像portrait,面向镜头facing viewer等；
效果器：炫光lensflare,景深效果depthoffield,全局光照global illumination等；
那么，到底是”masterpiece”之类的提示词应该放在前边，还是画面主体放在前边，其实是没有定论的，但个人建议画面主体放在最前边，因为画面到底什么内容，是最应该被充分表达的，而画面质量放在中间靠后的位置即可；
提示词语法
大家在看别人写的提示词的时候，经常看到大括号小括号方括号一大堆，有点看不懂，这里就来解释一下
这些符号分别是什么意思。
权重调整
提示词默认的权重为1，可以通过加括号和冒号加数字的方式调整权重，如(white shirt:1.3),就是将这个提示词的权重提升到1.3倍，在生成图像的过程中，权重越高，AI会越考虑将这个元素生成出来。
还有一些特别的写法：
小括号（）
最常见的一种符号，这个用来给提示词增加权重的，权重越高，出现在画面中的概率越大。
小括号一般有两种用法：
1.加一层小括号，代表权重升级为1.1倍，加两层是1.1的平方倍，加三层就是1.1的三次方：
2.加小括号和冒号，直接写权重，如：(white shirt:1.21)
所以(white shirt)等价于(white shirt:1.21),注意，这里的括号和冒号，都需要是英文输入法下的字符（半角字
符)（下同）；
大括号{}
给提示词增加权重，加一层为提升为1.05倍：
{white shirt等价于(white shirt:1.05)
{white shirt}等价于(white shirt:1.05*1.05)
中括号[]
给提示词降低权重，加一层为降低为1/1.05倍，也就是降低为0.9523倍：
[white shirt]等价于(white shirt:0.95)
[white shirt]]等价于(white shirt:0.90)
tips:
选择一个词语之后，按住c和上下键，可以快速给这个词语加小括号和权重，上键一次增加0.1权重，下键一次降低0.1权重；
不建议用各种括号嵌套来改写权重，因为用（提示词：权重）的方式，可读性更高；
不建议权重增加到1.5以上，权重过高会导致该提示词对画面产生过大的影响；
单提示词渲染步数控制
—控制画面生成中，某个提示词的渲染步数，实现渲染氛围的把握。
比如说，你想要实现下雨天的感觉，但是又不想正在下雨，那么就得通过这个方法进行拿捏了。
具体写法是：
·[提示词：开始渲染步骤数]比如说[rain:15],假设采样迭代步数(Steps)是30，那么就是从第15步开始渲染，一直渲染到第30步；
·[提示词：开始渲染步骤数：结束渲染步骤数]比如说[rain:1:15],假设采样迭代步数(Steps)是30，那么就是从第1步开始渲染，一直渲染到第15步；
[提示词：结束渲染步骤数]比如说[rain:10],假设采样迭代步数(Steps)是30，那么就是从第1步开始渲染，一直渲染到第10步；
好了，有点绕口，结合下边三张图来理解下：
第三张图是默认对照图，也就是30步里边每一次渲染都会渲染rāi这个元素，所以雨下的是最大的，而且可以看到空气中的雨丝；
第二张图是从一开始（第一步）就在下雨，一直下到了第15步迭代，后边的15步迭代时没有rai这个元素的，所以最后是没有正在下雨”的，但是地面上仍然有下过雨的痕迹：
第一张图是一开始不知道要下雨，直到第15步才开始知道要渲染ri这个元素，所以有了雨伞元素，也有一点点潮湿感，但是下雨的感觉最弱，因为前边15步已经将整个画面做了基本的定型；
多提示词混合
—控制画面生成中提示词的渲染步数，实现渲染元素的融合。
比说你想画一只狗里狗气的猫，那么本身AI是很难理解狗里狗气”这个事情的，所以你可以让AI前一半时间渲染狗，后一半时间把这只狗渲染成猫，提示词写法就是：[dog:cat:0.5],生成的图像：
具体其实有两种写法：
1.[提示词1：提示词2：小于1的数字]这种方式是百分比，假设这个数字写了0.2，采样迭代步数(Stps)是30，那么30×0.2,也就是前6步渲染提示词1，后24步渲染提示词2，最后生成的图像会跟提示词2更接近：
2.[提示词1：提示词2：大于1的数字]这种方式是迭代步数，假设这个数字写了10，采样迭代步数(Stps)是30，那么前10步会渲染提示词1，后20步会渲染提示词2，当然这样生成的图像大概率也还是接近提示词2；
多提示词融合
—提示词混合，如果有两个或者两个以上元素需要深度融合，那么可以使用这个技巧。
比如说，你想渲染一个混色发色的小女孩，那么可以用OR的写法这么写：[purple|sliver|green]_hair
1girl,[purple|sliver|green]_hair
或者用AND的写法这么写：1girl,(purple_hair:0.4)AND(sliver_hair:0.1)AND(green._hair:0.3)
1girl,(purple_hair:0.4)AND (sliver_hair:0.1)AND (green_hair:0.3)
用这个方法也可以做动物的融合，比如说生成一只长翅膀的龙
Lora模型引用
有时候大家可能也会看到尖括号<>出现在提示词中，这个一般是用来引入Lora模型的，具体写法是：<lora:模型名称：权重值>，比如说：<lora:blindbox_V1Mix:1>。
需要注意的是，这里并非填写了就可以生效，而是你需要提前下载相应的Lora模型文件，并放置在了stable
diffusion-webui\models\Lora文件夹下，然后再添加才能生效。
正常的使用方法是，先下载并放置好lora模型，然后点击生成按钮旁边这个红色的按钮：
在展开的面板中选择Lora标签，点击想要使用的Lora模型，如blindbox_V1Mix“,这个Lora相关的提示词会自动填写到提示词输入框中。
相关文章
提供CDN加速/云存储服务
