这次不玩游戏，来玩玩深度学习项目。

这次给大家推荐的项目是人脸生成，这个项目使用过后的感觉就是大体上还算令人满意，我们先看看效果图

相信看到效果图会赞叹人工智能合成的图片的效果。这些都不是现实生活中存在的人哟，没想到还能生成出不少漂亮的小姐姐和帅气的小哥哥。（颜控福利）

只不过里面也有缺陷就是例如下面这个。

很明显这个小孩的手以及嘴巴部分的生成是有一部分问题的，耳朵也像妖精的耳朵，这个项目的模型还有待提高，那么接下来我们来看看这个项目怎么使用吧。

鉴于大陆登录github速度比较慢，想要项目完整版可以私信我。

环境配置

· Both Linux and Windows are supported. Linux is recommended for performance and compatibility reasons.

· 64-bit Python 3.6 installation. We recommend Anaconda3 with numpy 1.14.3 or newer.

· TensorFlow 1.14 or 1.15 with GPU support. The code does not support TensorFlow 2.0.

· On Windows, you need to use TensorFlow 1.14 — TensorFlow 1.15 will not work.

· One or more high-end NVIDIA GPUs, NVIDIA drivers, CUDA 10.0 toolkit and cuDNN 7.5. To reproduce the results reported in the paper, you need an NVIDIA GPU with at least 16 GB of DRAM.

· Docker users: use the provided Dockerfile to build an image with the required library dependencies.

- On Windows, the compilation requires Microsoft Visual Studio to be in PATH. We recommend installing Visual Studio Community Edition and adding into PATH using “C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\VC\Auxiliary\Build\vcvars64.bat”.

总结一下：

1.python3.6

2.TensorFlow1.14但不能使用TensorFlow2.0以上

3.安装英伟达显卡CUDA10.0并安装上cuDNN7.5,推荐显卡16G以上（如果不训练可以忽略)

4.以上文件需要配置环境变量。

点击按钮编辑，把上面的软件配置进去。

Win10,1050Ti,CUDA 10.0,CuDNN 7.6.5,tensorflow-gpu 1.14.0，VS2017可完美运行。

使用方式:

windows

打开cmd输入

python X://路径/generate_yellow.py

会在result文件生成图像并且生成其代码；

用编辑器打开generate_yellow.py ，generate_num可以控制生成图片的数量

如果想编辑肤色，颜值，表情可以使用下面的人脸属性编辑脚本。

人脸属性编辑使用说明

打开play_with_dlatent.py，在如下部分共有4处可自行设置：

1. 图第1处设置是生成器所在目录，譬如对应明星脸生成器就设置为’
model/generator_asian_star.pkl’，但要注意generator_asian_star.pkl文件要放在model文件夹下。

2. 图第2处设置是需要调整的人脸对应的latent码，latent码从生成器目录下的generate_codes文件夹里获得，是生成人物对应的txt文件，下面举一个例子说明。

比如上图是用萌娃脸生成器生成的20个小孩，其中我觉得0007号不错，想对它进行编辑，就在generate_code文件夹里找到该小孩的生成码：0007.txt，将其拷贝到人脸属性编辑中的input_latent目录下，并在代码中修改latent码的名字就可以了。

3. 图第3处设置调整方向，可以将angle.npy改成如smile.npy等预置的5种模式。

4. 图第4处设置调整大小，向量里面的值表示调整幅度，可以自行编辑，对于每个值都会生成一张图片并保存。

5. 设置完之后运行python play_with_dlatent.py，就能在result文件夹下看到结果。

总结

上述这么多生成器看着有点可怕，但其实它离真正的商用之路还早着很呢。。如果真想冲击传统视觉行业的话，至少有两个问题亟待解决：1.相关配套技术有待完善，譬如人脸植入、妆容精细控制、动画及全身合成等等；2.如何围绕精细的用户群构建特定的生成技术服务体系也有待探索。