上天看到deepnude給美女脫衣服的項(xiàng)目最近比較火，考慮到他們是用pixpix2模型搭建，必須得有嚴(yán)格的配對(duì)數(shù)據(jù)集，那么我將利用和他基本相當(dāng)?shù)腸ycleGAN實(shí)現(xiàn)對(duì)男人脫上衣的實(shí)例。當(dāng)然生成的圖像肯定是虛假的，僅作為參考使用。
下面簡(jiǎn)單講一下cycleGAN的工作原理：首先其稱之為循環(huán)生成對(duì)抗式神經(jīng)網(wǎng)絡(luò)，了解過(guò)神經(jīng)網(wǎng)絡(luò)的朋友應(yīng)該知道其中神經(jīng)網(wǎng)絡(luò)最基本的就是輸入層和輸出層的定義，一般將輸入層稱之為X，輸出層稱之Y，就像函數(shù)的映射關(guān)系一般。而cycle的意為不僅是X是輸入，而且需要Y也為輸入，進(jìn)行循環(huán)交替，以保持他既具有X的特征，又具有Y的特征。在這個(gè)實(shí)例中不妨將X定義為穿了衣服的男人，Y定義為脫了衣服的男人，則我們生成的圖像不僅要像Y一樣使之脫了衣服，還要使得像X一樣的容貌動(dòng)作等等。下面將對(duì)一些關(guān)鍵的代碼函數(shù)進(jìn)行講解，完整代碼見(jiàn)文末，當(dāng)然歡迎大家關(guān)注我的公眾號(hào)，小小見(jiàn)解如有錯(cuò)誤懇請(qǐng)糾正。
首先數(shù)據(jù)集的準(zhǔn)備，將穿衣服的數(shù)據(jù)集放到文件夾TrainB中，如圖所示：

因?yàn)槲抑谱餮菔臼褂?#xff0c;所以準(zhǔn)備數(shù)據(jù)集較少，能稍微看到點(diǎn)效果就像，如果想要更好效果要大量數(shù)據(jù)集。
TrainA放入沒(méi)穿衣服的照片：

作為訓(xùn)練的數(shù)據(jù)集。下面介紹關(guān)鍵代碼：
網(wǎng)絡(luò)結(jié)構(gòu)定義激活函數(shù)：

定義歸一化數(shù)據(jù)，目的在于減少運(yùn)算，防治數(shù)據(jù)噪聲過(guò)大等等。

定義網(wǎng)絡(luò)卷積層：

定義反向傳播卷積層：

定義池化層使用函數(shù)：

以上為網(wǎng)絡(luò)層需要使用的函數(shù)定義，下面是函數(shù)內(nèi)具體參數(shù)設(shè)定，可以自己調(diào)整。
定義resnet網(wǎng)絡(luò)層，類似于vgg網(wǎng)絡(luò)層可直接變參數(shù)：

然后是生成器的定義：

判別器的定義：

模型訓(xùn)練部分主要比測(cè)試部分多一些模型保存，訓(xùn)練參數(shù)代碼，下面只簡(jiǎn)單講下訓(xùn)練部分代碼，這樣比較清晰網(wǎng)絡(luò)層：

主要思路是設(shè)占位符待讀入數(shù)據(jù)，然后設(shè)置網(wǎng)絡(luò)層對(duì)讀入的數(shù)據(jù)訓(xùn)練，需要生成器和判別器的對(duì)抗，接著讀取模型，初始化，讀入需要測(cè)試的圖片路徑，保存模型生成圖片，其中inputA就是為讀入的dataA數(shù)據(jù)，通過(guò)字典匹配而已。
然后訓(xùn)練結(jié)果聲明：
首先我的電腦配置很低，所以參數(shù)設(shè)置很小，數(shù)據(jù)集也很少，就5張圖片，如果需要好的結(jié)果需要多數(shù)據(jù)，改參數(shù)，好電腦等等。另外有些參數(shù)是根據(jù)數(shù)據(jù)集個(gè)數(shù)需要改的，比如數(shù)據(jù)集少，但是參數(shù)一次訓(xùn)練的圖片數(shù)大于訓(xùn)練集數(shù)那就報(bào)錯(cuò)啦，自己看看改改。
最終演示結(jié)果如下：

，本來(lái)是穿衣服在車旁的，數(shù)據(jù)集少，參數(shù)小，效果較差，只做演示。
歡迎大家關(guān)注我的公眾號(hào)"人工智能實(shí)戰(zhàn)及常見(jiàn)代碼分享”：

，后天回復(fù)“脫衣服CycleGan”,獲取完整代碼。

總結(jié)

以上是生活随笔為你收集整理的CycleGan脱衣服（男人）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。