導語

表妹心疼我，為了逗我開心，教我用Python制作會跳舞的美女。作為新時代的活雷鋒，在這里分享給大家。

開發(fā)工具

Python版本：3.6.4

相關模塊：

torch0.4.1模塊；
torchvision0.2.2模塊；
opencv-python模塊；
argparse模塊；
numpy模塊；
以及一些Python自帶的模塊。

環(huán)境搭建

安裝Python并添加到環(huán)境變量，pip安裝需要的相關模塊即可。

(PS：CUDA環(huán)境配置請自行Google教程。)

原理簡介

這里我們利用VAE的原理來生成會跳舞的小姐姐唄。先簡單介紹一下理論知識，要說VAE，就得先談談自動編碼器，自動編碼器最開始用于數據壓縮，其原理圖十分簡單直觀：

在模型訓練時，輸入圖片首先通過一個編碼器(現在當然是神經網絡啦)將輸入數據降維到一個code，接著將code輸入到解碼器(當然還是神經網絡啦)生成一個與輸入相同大小的圖片，網絡的優(yōu)化目標就是使得輸入編碼器的圖片與解碼器輸出的圖片盡可能相似。 當模型訓練完之后，我們就可以拿出這個解碼器，隨機傳入一些code作為它的輸入，來生成一些差不多的圖片。但是這種做法存在一個問題，就是編碼器生成的code包含了原圖信息，因此，我們就無法自己構造一些隨機的code來作為解碼器輸入從而生成任意圖片(必須是現有圖片過了編碼器之后生成的code作為輸入)。為了解決這個問題，VAE就誕生啦~VAE的全稱是：

Variational Autoencoder 即變分自編碼器

說起來，它的原理圖也十分簡單：

與自編碼器唯一不同就是在訓練過程中對code也進行了約束，使得code滿足某種分布(譬如正態(tài)分布)。這樣的話，模型訓練完之后，我們只需要隨機生成一個滿足該分布的code，就可以拿來作為解碼器的輸入，從而生成任意圖片啦~ 一般地，我們用均方損失函數保證原圖和生成圖相似，用KL損失函數來保證code滿足我們所要求的分布。均方損失大家肯定知道，KL散度的定義這里我也不想過多地去介紹，貼下維基百科上定義的公式吧：

P和Q是在同一個概率空間上定義的離散概率分布。 同時，為了方便計算KL散度，VAE引入了一個trick，叫：

reparameterization

以正態(tài)分布為例子，就是現在不直接預測code了，而是預測code的均值和方差，有了均值向量和方差向量，恢復code是很方便的(用標準正態(tài)分布乘以方差再加個均值就行了)。

再回過頭來，我們現在要用VAE來生成會跳舞的小姐姐，無非就是先找到一個訓練數據集，這里我找了個Youtube上的視頻作為數據集：

https://www.youtube.com/watch?v=NdSqAAT28v0

然后根據VAE的原理構造一個編碼和解碼網絡，用兩個損失函數作為約束訓練網絡就行啦。代碼就不一個個貼了，寫起來很簡單的，貼上來倒感覺有點麻煩，有需要的直接在公眾號后臺回復“dancenet”即可獲取。簡單說下代碼使用方式吧，模型訓練運行train.py文件即可，命令格式為：

python train.py --videopath xxx.mp4

模型測試運行demo.py文件即可，命令格式為：

python demo.py --mode random/fromtrain --checkpointspath xxx.pth --outputpath xxx.avi

這里模式的含義是code隨機生成/從訓練集中提取一些圖片的code作為輸入。

效果展示

隨機生成code模式作為輸入：

數據集中挑選圖片過編碼器獲得code作為輸入：

好了，我的分享到此結束了。

總結

到此這篇關于用Python生成會跳舞的美女的文章就介紹到這了,更多相關Python美女內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論