今天來介紹Script中，用來判別提示詞性質，甚至是除錯的好用工具--提示詞矩陣（Prompt matrix）。
前言
身為一個軟體工程師，業界有一句很好玩的俚語：
最可怕的不是搞不懂為何寫出來的程式不能動，而是搞不懂為何寫出來的程式能動。很多時候，從網路上抓的一大串提示詞在某些模型表現良好，但是換了個模型就走樣。有時一些提示詞看似無用，移除了之後畫面的感覺又變得怪怪的，不清楚到底是哪裡被影響了。有時整個圖爛掉或功能壞掉，但是不管怎麼調提示詞，圖依然是壞掉的。這時候就可以請出Prompt matrix來追根究底。
功能
Prompt matrix用起來的感覺跟之前介紹的X/Y/Z plot很類似，都是能跑出一整組的圖，但是設定畫面差很多：
在設定畫面中，我們可以指定是要以正面或者負面提示詞為主來構築矩陣。構築的提示詞字串要以 | 符號隔開提示詞，Automatic1111就會分組生成圖片，這概念好像很難懂，讓我用一個範例來講解。
今天你想要算一隻貓的圖，但是不知道各種提示詞對貓咪的影響是怎麼樣，例如你想測試吼叫（roaring）、毛茸茸（fluffy）跟生氣（angry）分別套上去的效果，就能用Prompt matrix來實驗：
digital painting of cat,
(extremely detailed CG unity 8k wallpaper),
best quality, masterpiece , hdr, ultra highres |
roaring |
fluffy |
angry
在上面的正面提示詞，開頭的前三行，會被當作基本提示詞，用在每一張圖上，四、五、六行被 | 符號分組的提示詞們會變成交錯添加的元素，產生一個成果組合圖：
左上角的第一張圖，就是什麼額外提示詞都沒加的狀態，它第二列的圖，則全都是添加了憤怒這個提示詞的效果。第二行則是都增加了怒吼提示詞的效果。而最右下的，就是憤怒、毛茸茸與怒吼全部提示詞都有的效果。
這樣你就能很清楚地看到，各種提示詞交互疊加起來的效果。例如憤怒這個提示詞，不僅改變了貓的表情，連姿勢跟背景都被影響了。因為AI在解釋提示詞時，並沒有真的了解了「憤怒」這個概念是什麼，它只是被訓練出了關聯性，把憤怒這個字，與憤怒的表情、令人害怕的背景顏色還有讓人感到威脅的攻擊姿勢關聯起來而已。
同時，你也能觀察到有關連的提示詞疊加起來也有更強化的效果，例如怒吼這個詞，單獨使用其實一點氣勢都沒有，但是與憤怒跟毛茸茸疊加起來，效果就很明顯，真的能表達出貓咪殺氣騰騰時全身的毛倒豎起來的效果。
提示詞矩陣不只一次能組合一個詞，而是可以一串提示詞為一組來使用，例如：
digital painting of 1girl, white dress |
red hat, red shoes |
holding flowers, smiling |
from behind
這樣就能配出紅帽紅鞋一組，微笑與捧花一組，背後視角獨一組，共三組提示詞組合的矩陣了：
這個功能跟X/Y/Z plot有點像，但是它只能改變提示詞，其他更複雜的設定就不如X/Y/Z plot那麼寬廣。但是這個功能在某些時候特別好用，以下舉兩個我會用到的場合。
提示詞檢定
當我們對某些定義很模糊的提示詞有疑慮時，通常會產生兩張圖片來比對，有時候這樣有用，但某些很詭異的提示詞，兩張圖看不太出來差別，但是拿掉了又覺得好像不一樣了，這時候就能用Prompt matrix來大規模生圖來確認。
例如我在檢查某個從網路上抓下來的正面提示詞時，發現了兩個我看不懂的提示詞：
extremely luminous bright design（極亮鮮豔設計），以及autumn lights（秋天光影）。每個字都懂，組合起來卻想不出會是什麼樣的效果，出了好幾張圖來比較檢查也是看不出什麼名堂，真的跟咒語一樣。
但是在Prompt matrix底下，就能很明顯看出差別：
在這張組合圖中，極亮鮮豔設計出現在二、四、六、八行裡面，秋天光影出現在右半邊的所有圖上。這樣一比對下來，馬上就能看出所謂的極亮鮮豔設計，其實是在人物附近產生鮮豔的螢光光斑，但是在與秋天光影一起出現時會被壓制。而秋天光影，則是一種淡黃色的暖色系光，帶來秋天夜晚的感覺，而且人物的衣著也會被影響，變成長袖秋裝，連背景都變成秋天街道的夜景！
除錯
第二個場合就是除錯，有時候你的提示詞因為互相衝突，而造成整個畫面變得非常奇怪，或者讓某些外掛功能失效，這時候就要靠Prompt matrix把提示詞分組過濾出有問題的提示詞，才能順利算圖。
這種事情尤其容易發生在負面提示詞上，因為通常我們都是從網路大神那裡直接拷貝下來用在所有地方，但其實在某些複雜設定下，這種超長萬用提示詞反而容易出錯。
舉個例子，當我在用Latent Couple這個外掛，想要把兩個人物放進同一張圖時，使用官網提供的範例可以正常運作，但是當我把非常複雜的提示詞放進去的時候，反而只能算出一個人。
為了追根究柢，我開始測試各種組合：
- 複雜的正面提示詞配上少少的負面提示詞：出現兩個人物，但是非常醜
- 簡單的正面提示詞配上複雜的負面提示詞：出現一個漂亮的人物
由此可見，是某些負面提示詞造成問題。但是我的負面提示詞長達225個tokens，是哪些負面提示詞破壞了外掛的功能呢？這時候就是用Prompt matrix解決問題的時候了！
由於這個問題可能是好幾個提示詞一起影響造成的，我將全部的負面提示詞分成四組之後跑圖比對：
這邊可以發現，第一行不管什麼情況都能出現兩個人，而其他組合一率只有一個，換句話說，問題出在其他三組提示詞上。於是我將第一組提示詞合併進基本組，然後繼續測試，找出沒問題的提示詞組就合併進基本組，直到最後變成了這樣：
到了這種程度，已經可以確定是這幾個提示詞有問題，但是當我無論怎麼調換順序想要抓出到底是哪幾個提示詞在搞怪時，卻發現全都有問題。但是從提示詞的含義來看，根本不像會影響到一個人或多個人的生成。所以問題出在哪邊呢？
這時候我注意到了，沒問題的那串提示詞，總長度都在75個token以下，超過75個token就會出問題。於是我在75與76的長度反覆測試了幾個無關痛癢的提示詞，證明了是提示詞長度的問題，Latent couple碰到長度超過75 tokens的正面或負面提示詞，很容易癱瘓！
這是靠著Prompt matrix快速測試大量提示詞的功能抓到的問題，如果用其他方法，可能會跟瞎子摸象一樣難以掌握全局。
這個功能就介紹到這，祝大家AI算圖愉快！
進階技巧目錄：
- Stable Diffusion進階 -- 製作角色設定圖
- Stable Diffusion進階 -- 轉換線稿/漫畫稿
- Stable Diffusion進階 -- 常用網站
- Stable Diffusion進階 -- CLIP Skip 2
- Stable Diffusion進階 -- 臉崩修復
- Stable Diffusion進階 -- X/Y/Z plot
- Stable Diffusion進階 -- 提示詞矩陣
- Stable Diffusion進階 -- 練習，歡迎來到我的家鄉
- Stable Diffusion進階 -- 穿衣換衣術
- Stable Diffusion進階 -- 醒來！表情變換
- Stable Diffusion進階 -- 雷光變幻！
- Stable Diffusion進階 -- 糊臉清晰化
- Stable Diffusion進階 -- 練習，這是利息
- Stable Diffusion進階 -- 人工與工人智慧去背
- Stable Diffusion進階 -- 手部修復
- Stable Diffusion進階 -- ControlNet新功能Reference
