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。
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 张真实生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格和2k张漫画生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格，用于GAN的训练。
vgg19是用来计算损失的，下面会有详细介绍。
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
残差结构(a)和反向残差块(b)
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
计算损失之前先用VGG19网路将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格向量化。这个过程有点像NLP中的Embedding操作。
Eembedding是讲词转化成向量，VGG19是讲生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转化成向量。
VGG19定义
计算损失部分逻辑如下：
def con_sty_loss(vgg, real, anime, fake): # 真实生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格向量化 vgg.build(real) real_feature_map = vgg.conv4_4_no_activation # 生成生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格向量化 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 # 真实生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格与生成生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格的损失 c_loss = L1_loss(real_feature_map, fake_feature_map) # 漫画风格与生成生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格的损失 s_loss = style_loss(anime_feature_map, fake_feature_map) return c_loss, s_loss
这里使用vgg19分别计算真实生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格(参数real)与生成的生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格(参数fake)的损失，生成的生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格(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生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格，既保留了真实生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将生成对抗网络，AI将图片转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格转成漫画风格的样子，又向漫画风格进行迁移
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。
源码和数据集都已经打包好了，需要的朋友评论区留言即可。
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。
以上是生成对抗网络，AI将图片转成漫画风格的详细内容。更多信息请关注PHP中文网其他相关文章！
