fontdesign_gan

Schriftart Design Gan

Code für das Training/Generieren von GAN, dh für Schriftart Design.

Proben

Erzeugte Schriftarten haben verschiedene Stile und sie sind als Charakter lesbar.

Zufälliger Spaziergang im Style-Input-Raum. Sie können allmählich veränderte Schriftarten beobachten.

Wie man benutzt

Umfeld

Der Auther überprüft die Auslaufcodes in nur folgender Umgebung:

• Ubuntu 16.04 LTS
• GeForce GTX 1080 & Treiber (Treiberversion: 384.111)
• CUDA 8.0
• CUDNN V6.0 (Mitgliedschaft erforderlich)

Wenn Sie mit der neuesten Umgebung ausführen möchten, überarbeiten Sie einige Dateien nach Bedarf.

Klonen Sie zunächst dieses Repository. Hinzufügen --recursive , da dieses Repository Submodul (FONT2IMG) enthält

 git clone --recursive https://github.com/uchidalab/fontdesign_gan
cd fontdesign_gan

mit Docker (GPU erforderlich)

Wenn Sie GPU und Docker verwenden, ist es einfach, Ihre Umgebung einzurichten. Bedarfsbibliotheken sind in DockerFile geschrieben.
Installieren Sie GPU -Treiber/Nvidia Docker und führen Sie die folgenden Befehle aus:

 docker build -t fontdesign_gan .
docker run --runtime=nvidia -it --rm -p 6006:6006 --volume `pwd`:/workdir -w /workdir/ fontdesign_gan

Kein Docker

Mit GPU: Installieren Sie GPU -Treiber/CUDA/CUDNN und führen Sie den folgenden Befehl aus:

 pip install -r requirements_gpu.txt

Mit CPU: Ausführen folgender Befehl:

 pip install -r requirements_cpu.txt

Vorbereiten

Umwandeln Sie Schriftdateien (.ttf) in Bilddateien (.png) und packen Sie sie in eine HDF5 -Datei (.h5) ein, um sie in eine HDF5 -Datei zu packen.

Erstellen Sie ein Verzeichnis (Ex ./ttfs ) und kopieren Sie Schriftdateien. Setzen Sie den Zielpfad (ex ./src/myfonts.h5 ) und führen Sie aus.

 python main.py --ttf2png --png2h5 --font_ttfs ./ttfs --font_h5 ./src/myfonts.h5

--ttf2png ist die Option zum Konvertieren, Bilddateien werden in ./src/pngs/{YYYY-MM-DD_HHmmss} gespeichert. Wenn Sie --font_pngs Option verwenden, können Sie den Pfad selbst festlegen.
--png2h5 ist die Option für das Packen, die verpackte Datei wird in dem Pfad gespeichert, den Sie mit --font_h5 Option festgelegt haben.

Zug

Setzen Sie den Pfad der gepackten Datei und laufen Sie aus.

 python main.py --train --font_h5 ./src/myfonts.h5

Die Ergebnisse werden in ./result/{YYYY-MM-DD_HHmmss} gespeichert. Sie können das Ziel mit --gan_dir festlegen.

Im log , gespeicherte Dateien: Flags -Protokoll, neueste/LESTED TensorFlows Dumps (.ckpt*), Tensorboard -Protokoll.
Im sample werden Schriftarten, die vorübergehend erzeugt werden, gespeichert.

Während des Trainings läuft auch Tensorboard. Zugriff auf URL, die in der Befehlszeile angezeigt wird.

Erzeugen

Legen Sie einen Pfad des ausgebildeten GAN -Ausgangsverzeichnisses und einer JSON -Datei fest.

Die JSON -Datei muss stil-/charakteristische IDs geschrieben werden. Eine Stil -ID entspricht einer zufälligen Matrix. Eine Zeichen -ID entspricht einem Zeichen.

Die IDs werden in Ordnung geladen und Sie können einige Operanden verwenden. Zum Beispiel, wenn die JSON -Datei folgt:

 {
  "style_ids": [
    "0", "5", "21", "37", "17..39:4"
  ],
  "char_ids": [
    "0-3", "6*4"
  ],
  "col_n": 4
}

Eingabe -IDs sind wie folgt:

 style_ids = [0, 5, 21, 37, (between 17 and 39 with 4 steps)]
char_ids = [0, 1, 2, 3, 6, 6, 6, 6]

und # # der Ergebnisspalten lautet 4. Auch Beispieldateien ( ./jsons/sample*.json ) überprüfen.

Führen Sie nach der Vorbereitung der JSON -Datei wie folgt aus:

 python main.py --generate --gan_dir ./result/{trained} --ids ./jsons/sample01.json

Generierte Schriftarten werden in ./result/{trained}/generated/{YYYY-MM-DD_HHmmss}.png <yyyy-mm-dd_hhmmss}.png gespeichert. Sie können den Ausgabedateinamen mit --gen_name festlegen.

Erzeugtes Bild ist wie folgt:

Wenn Sie zufällige Wanderschriften möchten, verwenden Sie --generate_walk . Eine JSON -Datei ist unnötig.

 python main.py --generate_walk --gan_dir ./result/{YYYY-MM-DD_HHmmss} --char_img_n 256

256 Styles -Schriftarten werden erzeugt und werden schrittweise verwandelt.

Optionen

Es gibt viele Optionen. Überprüfen Sie die folgende Tabelle.

Für	Option	Beschreibung	Standard
Vorbereiten, trainieren	--img_width	Breite der Bilder.	64
Vorbereiten, trainieren	--img_height	Höhe der Bilder.	64
Vorbereiten, trainieren	--img_dim	Dimension von Bildern.	3
Vorbereiten, trainieren	--chars_type	Sie können Zeichentypen, "Caps", "Hiragana" oder "Caps, Hiragana" auswählen.	"Kappen"
Trainieren, erzeugen	--gpu_ids	GPU -IDs, die Sie verwenden. Dieser Typ ist String (z. B. "0, 1")	(automatisch einstellen)
Trainieren, erzeugen	--batch_size	Chargengröße für Gan	256
Zug	--arch	Architektur von GaN -Modellen. Wählen Sie "dcgan" oder "resnet"	"Dcgan"
Zug	--style_ids_n	Anzahl der Stil -IDs	256
Zug	--style_z_size	Größe von style_z	100
Zug	--gan_epoch_n	Anzahl der Epochen -Iterationen	10000
Zug	--critic_n	Anzahl der kritischen Iterationen	5
Zug	--sample_imgs_interval	Intervall zum Speichern von Beispielbildern	10
Zug	--sample_col_n	Anzahl der Spalten des Beispielbildes	26
Zug	--keep_ckpt_interval	Intervall, TensorFlows Müllkippe zu halten	250
Zug	--run_tensorboard	Tensorboard ausführen oder nicht	WAHR
Zug	--tensorboard_port	Port für Tensorboard -Seite	6006