SD学习路线
1 环境准备搭建，学会部署跑通SD 2 基础学习，理解参数模型提示词的用途，可以做出图 3 提示词优化，比如，提示词的分步技巧等，对图进行针对性的优化，比如说一个图怎么达不到想要效果，可针对性地优化提示词。 4 研究模型，选用合适的基础模型，可搭配lora使用 5 学习其他功能，图生图，Control net 插件，以及分层控制 Lora 模型等进阶功能。 6 训练自己的模型
sd与mid区别：
优化技巧
1 图片微调(随机种子) 首先，将随机种子确定，然后勾选后，下面的子参数“变异随机种子”会被打开，变异幅度越大，最终的图与之前的图的区别越大。一般来说，我们会把这个值调整为 0.3 另外，我们可以把批次数提高，找到最合适的结果。
2 图片放大(插件放大) 使用“multi diffusion”插件来放大图像
链接： github.com/pkuliyi2015/multidiffusion-upscaler-for-automatic1111
插件的使用
去掉正向提示词中的有实际意义的部分，只留下例如"highres, masterpiece, best quality, ultra-detailed 8k wallpaper, extremely clear"的词汇，插件的原理是对大图进行分块绘制，如果在正向提示词中加入了具体对象，会使得这个对象遍布在图像的各个区域
插件参数设置 我们首先将要生成的图发送到图生图下，将页面往下滚动，找到这两个标题，并点击右侧的箭头展开设置项；Diffusion,Tiled VAE
Tile Diffusion 放大算法：真人图像用 4x+，二次元图像用 4x+anime。 放大倍数，即最终图像相对于原图的放大倍率。 renoise stength 推荐“0.3-0.6”之间。
Tiled VAE
3 提示词进阶
3.1提示词的顺序 结论：越重要的提示词应该放到越靠前的位置
测试，1girl，1cat 当 cat 这个提示词在前时，猫的细节明显多了很多，而且甚至 AI 将猫耳的元素加到了人物身上。
3.2 分步描绘
假设你想画一位穿着白色毛衣和橘色皮衣的女孩，并测试不同比例的 Prompt 的效果，你可以尝试以下方式： [White sweater: orange Leather coat: 0.2] 前 20％的图像使用“白色毛衣”提示词进行绘制，剩下的 80％则使用“橘色皮衣外套”提示词继续绘制。 [White sweater:orange Leather coat:0.5] [White sweater:orange Leather coat:0.9]
3.3 反向提示词
3.4 ChatGPT 写提示词
假设你现在是一个创意插画师，接下来我会给你一些提示，你需要以这个提示为依据，去组合想象生成一副插画的语言描述，请注意，不允许用长句，尽可能用词汇，其次是短语。另外尽可能多地合理地去补充场景中对人或风景的细节和特征，不少于 5 处，例如主体的衣着，长相，姿势，背景的花草树木等，尽可能的帮我补充这些我没有提到的细节，整体内容丰富一点。
例如“女孩坐在咖啡馆"
3.5 提示词网站
moonvy: moonvy.com/apps/ops/
3.6 ControlNet插件
使用参考： https://zhuanlan.zhihu.com/p/626659571
插件 github.com/Mikubill/sd-webui-controlnet 模型： huggingface.co/lllyasviel/ControlNet-v1-1
