反卷积网络实现人脸生成

　　本目录下有用于训练反卷积网络以及与反卷积网络相交互的代码，实验基于Learning to Generate Chairs, Tables and Cars with Convolutional Networks这篇论文所提出的模型做了改进。

　　论文地址：https://arxiv.org/abs/1411.5928

　　能够通过Radboud Faces Database数据集生成人脸。实验所需工具为：Keras、NumPy、SciPy、tqdm以及Python 3。

　　Radboud Faces Database数据集：:8180/RaFD2/RaFD?p=main

　　Generating Faces with Deconvolution Networks这篇博客详细地讲解了本实验的具体过程及原理。

　　地址：https://zo7.github.io/blog/2016/09/25/generating-faces.html

　　训练新模型

　　执行以下命令即可训练一个新模型：

　　python3 faces.py train path/to/data

　　如果你的内存允许，你可以通过-d参数指定反卷积层的层数以生成更大的图像。你也可以通过-b参数和-k参数分别调整批处理数量（batch size）和每一层的卷积核（kernels）的数量直到适应计算机内存，但是这些改变实际上可能会导致更差的结果或者更长的训练时间。

　　本实验中默认的反卷基层数是6，批处理数量是8，在Nvidia Titan X显卡上（12GB）生成512x640的图像需要一天稍多一点的时间。

　　生成图像

　　在yaml文件中指定具体参数并执行以下命令，即可使用已训练好的模型。

　　python3 faces.py generate -m path/to/model -o output/directory -f path/to/params.yaml

　　本实验提供四种生成图像的模式：

　　· single：生成单一图像

　　· random:生成一个随机图像的集合

　　· drunk：与random模式类似，直播，开奖，但是会生成更连续的图像序列

　　· interpolate：指定的一系列关键帧，生成这些关键帧之间的图像

　　在params目录中有这些文件的示例，这些示例将有助于你理解怎样格式化这些文件、分清哪些内容是可用的内容。

示例

　　在人脸和表情之间插值：

　　在不同的方向之间插值（此时模型不能进行学习）：

　　随机生成（使用drunk模式）：

　　热门文章推荐