Deep Negative V1x - V1 75T
推薦提示詞
masterpiece,PureErosFace_V1,best quality,[highly detailed face:0.1],1girl,a full body portrait of a 21 years old beautiful gorgeous cute busty Korean kpop girl,pink eyes,(jieunc_kor:0.8),long hair,slender body,black hair,detailed face,(grapefruit),perfect anatomy,(temple in background),contrapposto,sitting,Cannon EOS 5D MARK III,kimono,50mm Sigma f/1.4 ZEISS lens,medium breasts,F1.4,light smile,1/800s,arms behind back,ISO 100,photorealistic,trending on instagram
推薦反向提示詞
disgusting,worst quality,low quality,logo,text,watermark,username
NG_DeepNegative_V1_75T,(worst quality,worst quality,low quality:1.4),low quality,logo,text,monochrome,nipples,nude
推薦參數
samplers
steps
cfg
resolution
提示
與 (worst quality, low quality, logo, text, watermark, username) 等負面提示詞一同使用此 embedding。
對於使用超過 75 個 token 訓練的模型,建議使用較小 token 版本以避免錯誤。
版本亮點
將它放入 negative prompts
創作者贊助
如果你使用 SDXL,建議使用這個 👉 DeepNegative for SDXL 版本
這個 embedding 會告訴你甚麼是 真正噁心的🤢🤮
所以請將它放入 negative prompt😜
⚠ 此模型非為 SDXL 訓練,且在 SDXL 中使用可能會導致不理想的結果。
如果你使用 SDXL,建議使用這個👇
另一個 deep-negative:
熱門問答
如何使用 TI 模型?
https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Textual-Inversion
什麼是 negative prompt?
https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Negative-prompt
[特別提醒] 如果你的 webui 報告以下錯誤:
- CUDA: CUDA error: device-side assert triggered
- Assertion -sizes[i] <= index && index < sizes[i] && "index out of bounds" failed
- XXX object has no attribute 'text_cond'
請嘗試使用非 75T 版本的模型。
> 原因是許多腳本無法妥善處理過長的負面提示詞(超過 75 個 token),選用較小的 token 版本可改善此問題。
[更新:230120] 它的功能是什麼?
這些 embedding 學習辨識噁心的構圖和色彩模式,包括錯誤的人體解剖、冒犯性的配色方案、顛倒的空間結構等。將其置於 negative prompt 中,有助於避免這些問題。
-
什麼是 2T 4T 16T 32T?
每個 token 的向量數量
[更新:230120] 什麼是 64T 75T?
64T:在混合數據集上訓練超過 30,000 步。
75T:embedding 最大尺寸限制,在 特殊數據集 上訓練 10,000 步(由多個不同的 sd 模型生成並經特殊反向處理)。
應該選擇哪一個?
75T:最“易用”的 embedding,由其精準且特殊方式創建的數據集訓練而成,幾乎無副作用,包含充足資訊覆蓋各種使用情境。但對某些“良好訓練模型”效果可能有限,且變化較細微。
64T:適用於所有模型,但有副作用,需要調整權重以找到最佳效果。推薦:[( NG_DeepNegative_V1_64T :0.9) :0.1]
32T:有用,但較重。
16T:降低繪製錯誤解剖的概率,但可能繪出醜陋的臉孔。適合提升建築層次。
4T:降低繪製錯誤解剖的概率,但對光影影響不大。
2T:“易用”如 75T,但效果較小。
建議
因為此 embedding 學習的是如何創造噁心概念,無法準確提升圖片質量,故最好與(worst quality, low quality, logo, text, watermark, username)等 negative prompt 一同使用。
當然,也可與其他類似負面 embedding 一起使用。
更多範例和測試
肖像(搭配 PureErosFace):https://imgur.com/1Lqq595 https://imgur.com/V5kXBXz
身體融合修正:
它是如何運作的?
我嘗試用 deepdream 算法讓 SD 學習什麼是真正噁心,數據集是 imagenet-mini(從數據集中隨機挑選的1000張圖片)。
deepdream 是 真滴超級 噁心 🤮,訓練這個模型的過程讓我有身體不適的感覺 😂