開源|如何用反卷積網路實現人臉生成（附源代碼）

來源：Github 編輯： 王健

反卷積網路實現人臉生成

本目錄下有用於訓練反卷積網路以及與反卷積網路相交互的代碼，實驗基於Learning to Generate Chairs, Tables and Cars with Convolutional Networks這篇論文所提出的模型做了改進。

論文地址：[1411.5928] Learning to Generate Chairs, Tables and Cars with Convolutional Networks

能夠通過Radboud Faces Database數據集生成人臉。實驗所需工具為：Keras、NumPy、SciPy、tqdm以及 Python 3。

Radboud Faces Database數據集：Radboud Faces Database

Generating Faces with Deconvolution Networks這篇博客詳細地講解了本實驗的具體過程及原理。

地址：Generating Faces with Deconvolution Networks

訓練新模型

執行以下命令即可訓練一個新模型：

python3 faces.py train path/to/data

如果你的內存允許，你可以通過-d參數指定反卷積層的層數以生成更大的圖像。你也可以通過-b參數和-k參數分別調整批處理數量（batch size）和每一層的卷積核（kernels）的數量直到適應計算機內存，但是這些改變實際上可能會導致更差的結果或者更長的訓練時間。

本實驗中默認的反卷基層數是6，批處理數量是8，在Nvidia Titan X顯卡上（12GB）生成512x640的圖像需要一天稍多一點的時間。

生成圖像

在yaml文件中指定具體參數並執行以下命令，即可使用已訓練好的模型。

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

本實驗提供四種生成圖像的模式：

· single：生成單一圖像

· random:生成一個隨機圖像的集合

· drunk：與random模式類似，但是會生成更連續的圖像序列

· interpolate：指定的一系列關鍵幀，生成這些關鍵幀之間的圖像

在params目錄中有這些文件的示例，這些示例將有助於你理解怎樣格式化這些文件、分清哪些內容是可用的內容。

示例

在人臉和表情之間插值：

在不同的方向之間插值（此時模型不能進行學習）：

隨機生成（使用drunk模式）：

重磅|Google發布新開源圖像演算法工具Guetzli：壓縮35%的圖片大小仍保證高質量

重磅|3.15曝光的「人臉識別」技術真的那麼脆弱嗎？！

重磅|谷歌DeepMind將「記憶」植入機器學習，從而提高機器持續的自適應學習！

資源|28本必讀的經典機器學習/數據挖掘書籍（免費下載）

活動|12位AI大佬齊聚ACM TURC 2017-中國（已開始報名）

恐怖|50 億條用戶隱私信息泄露，嫌犯竟是互聯網名企工程師

乾貨|周志華揭開機器學習本質的57張PPT

重磅|百度PaddlePaddle發布最新API 從三大方面優化了性能

重磅|NVIDIA發布兩款"深度神經網路訓練"開發者產品：DIGITS 5 和 TensorRT

重磅|「薩德」——不怕！我國的人工智慧巡航導彈可破解