哈喽，大家好。

最近大家都在玩 AI 绘画，我在 GitHub 上找了一个开源项目，给大家分享一下。

今天分享的这个项目是用 GAN 生成对抗网络实现的，关于GAN的原理和实战我们之前分享过很多文章，想了解的朋友可以去翻历史文章。

源码和数据集文末获取，下面分享如何训练、运行项目。

1. 准备环境

安装 tensorflow-gpu 1.15.0，GPU显卡使用2080Ti，cuda版本10.0。

git下载项目AnimeGANv2源码。

搭建好环境后，还需要准备数据集和vgg19。

下载dataset.zip压缩文件，里面包含 6k 张真实图片和2k张漫画图片，用于GAN的训练。

vgg19是用来计算损失的，下面会有详细介绍。

2. 网络模型

生成对抗网络需要定义两个模型，一个是生成器，一个是判别器。

生成器网络定义如下：

with tf.variable_scope('A'):
    inputs = Conv2DNormLReLU(inputs, 32, 7)
    inputs = Conv2DNormLReLU(inputs, 64, strides=2)
    inputs = Conv2DNormLReLU(inputs, 64)

with tf.variable_scope('B'):
    inputs = Conv2DNormLReLU(inputs, 128, strides=2)
    inputs = Conv2DNormLReLU(inputs, 128)

with tf.variable_scope('C'):
    inputs = Conv2DNormLReLU(inputs, 128)
    inputs = self.InvertedRes_block(inputs, 2, 256, 1, 'r1')
    inputs = self.InvertedRes_block(inputs, 2, 256, 1, 'r2')
    inputs = self.InvertedRes_block(inputs, 2, 256, 1, 'r3')
    inputs = self.InvertedRes_block(inputs, 2, 256, 1, 'r4')
    inputs = Conv2DNormLReLU(inputs, 128)

with tf.variable_scope('D'):
    inputs = Unsample(inputs, 128)
    inputs = Conv2DNormLReLU(inputs, 128)

with tf.variable_scope('E'):
    inputs = Unsample(inputs,64)
    inputs = Conv2DNormLReLU(inputs, 64)
    inputs = Conv2DNormLReLU(inputs, 32, 7)
with tf.variable_scope('out_layer'):
    out = Conv2D(inputs, filters =3, kernel_size=1, strides=1)
    self.fake = tf.tanh(out)

生成器中主要的模块是反向残差块

判别器网络结构如下：

def D_net(x_init,ch, n_dis,sn, scope, reuse):
    channel = ch // 2
    with tf.variable_scope(scope, reuse=reuse):
        x = conv(x_init, channel, kernel=3, stride=1, pad=1, use_bias=False, sn=sn, scope='conv_0')
        x = lrelu(x, 0.2)

        for i in range(1, n_dis):
            x = conv(x, channel * 2, kernel=3, stride=2, pad=1, use_bias=False, sn=sn, scope='conv_s2_' + str(i))
            x = lrelu(x, 0.2)

            x = conv(x, channel * 4, kernel=3, stride=1, pad=1, use_bias=False, sn=sn, scope='conv_s1_' + str(i))
            x = layer_norm(x, scope='1_norm_' + str(i))
            x = lrelu(x, 0.2)

            channel = channel * 2

        x = conv(x, channel * 2, kernel=3, stride=1, pad=1, use_bias=False, sn=sn, scope='last_conv')
        x = layer_norm(x, scope='2_ins_norm')
        x = lrelu(x, 0.2)

        x = conv(x, channels=1, kernel=3, stride=1, pad=1, use_bias=False, sn=sn, scope='D_logit')

        return x

3. 损失

计算损失之前先用VGG19网路将图片向量化。这个过程有点像NLP中的Embedding操作。

Eembedding是讲词转化成向量，VGG19是讲图片转化成向量。

计算损失部分逻辑如下：

def con_sty_loss(vgg, real, anime, fake):

    # 真实图片向量化
    vgg.build(real)
    real_feature_map = vgg.conv4_4_no_activation

    # 生成图片向量化
    vgg.build(fake)
    fake_feature_map = vgg.conv4_4_no_activation

    # 漫画风格向量化
    vgg.build(anime[:fake_feature_map.shape[0]])
    anime_feature_map = vgg.conv4_4_no_activation

    # 真实图片与生成图片的损失
    c_loss = L1_loss(real_feature_map, fake_feature_map)
    # 漫画风格与生成图片的损失
    s_loss = style_loss(anime_feature_map, fake_feature_map)

    return c_loss, s_loss

这里使用vgg19分别计算真实图片(参数real)与生成的图片(参数fake)的损失，生成的图片(参数fake)与漫画风格(参数anime)的损失。

c_loss, s_loss = con_sty_loss(self.vgg, self.real, self.anime_gray, self.generated)
t_loss = self.con_weight * c_loss + self.sty_weight * s_loss + color_loss(self.real,self.generated) * self.color_weight + tv_loss

最终给这两个损失不同的权重，这样是的生成器生成的图片，既保留了真实图片的样子，又向漫画风格进行迁移

4. 训练

在项目目录下执行以下命令开始训练

python train.py --dataset Hayao --epoch 101 --init_epoch 10

运行成功后，可以看到一下数据。

同时，也可以看到损失在不断下降。

如果大家觉得本文对你有用就点个 在看 鼓励一下吧，后续我会持续分享优秀的 Python+AI 项目。