fontdesign_gan

Desain Font Gan

Kode untuk pelatihan/menghasilkan GAN, yaitu untuk desain font.

Sampel

Font yang dihasilkan, mereka memiliki berbagai gaya dan dapat dibaca sebagai karakter.

Jalan acak dalam ruang input gaya. Anda dapat menonton font yang berubah secara bertahap.

Cara menggunakan

Lingkungan

Kode berjalan yang diperiksa auther hanya di lingkungan berikut:

• Ubuntu 16.04 lts
• GeForce GTX 1080 & Driver (Versi Driver: 384.111)
• CUDA 8.0
• Cudnn v6.0 (diperlukan keanggotaan)

Jika Anda ingin menjalankan dengan lingkungan terbaru, revisi beberapa file seperlunya.

Pertama mengkloning repositori ini. Tambahkan --recursive Karena Repositori Ini Berisi Submodule (Font2IMG)

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

dengan Docker (diperlukan GPU)

Jika Anda menggunakan GPU dan Docker, mudah untuk mengatur lingkungan Anda. Perpustakaan persyaratan ditulis di Dockerfile.
Instal GPU Driver/NVIDIA Docker dan jalankan perintah berikut:

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

tidak ada buruh pelabuhan

Dengan GPU: Instal GPU Driver/CUDA/CUDNN dan jalankan perintah berikut:

 pip install -r requirements_gpu.txt

Dengan CPU: Jalankan perintah berikut:

 pip install -r requirements_cpu.txt

Mempersiapkan

Konversi file font (.ttf) menjadi file gambar (.png), dan bungkus ke dalam file hdf5 (.h5)

Buat direktori (mis. ./ttfs ) dan salin file font. Atur jalur tujuan (mis. ./src/myfonts.h5 ) dan jalankan.

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

--ttf2png adalah opsi untuk mengonversi, file gambar disimpan di ./src/pngs/{YYYY-MM-DD_HHmmss} . Jika Anda menggunakan opsi --font_pngs , Anda dapat mengatur jalur sendiri.
--png2h5 adalah opsi untuk pengemasan, file dikemas disimpan di jalur yang Anda atur dengan opsi --font_h5 .

Kereta

Atur jalur file yang dikemas dan jalankan.

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

Hasilnya disimpan di ./result/{YYYY-MM-DD_HHmmss} . Anda dapat mengatur tujuan dengan --gan_dir .

Di Direktori log , menyimpan file yang sama: Log Flags, Dumps TensorFlow Terbaru/Disetel (.ckpt*), log Tensorboard.
Dalam direktori sample , font yang menghasilkan sementara disimpan.

Saat berlatih, Tensorboard juga berjalan. Akses URL yang akan ditampilkan di baris perintah.

Menghasilkan

Tetapkan jalur direktori output GAN yang terlatih dan file JSON.

File JSON harus menjadi ID gaya/karakter tertulis. ID gaya sesuai dengan matriks acak. ID karakter sesuai dengan karakter.

ID dimuat secara berurutan, dan Anda dapat menggunakan beberapa operan. Misalnya, jika file JSON mengikuti:

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

ID input akan seperti ini:

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

dan, # kolom hasil adalah 4. Juga periksa file sampel ( ./jsons/sample*.json ).

Setelah menyiapkan file JSON, jalankan seperti ini:

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

Font yang dihasilkan disimpan di ./result/{trained}/generated/{YYYY-MM-DD_HHmmss}.png . Anda dapat mengatur nama file output dengan --gen_name .

Gambar yang dihasilkan seperti ini:

Jika Anda ingin font berjalan acak, gunakan --generate_walk . File JSON tidak perlu.

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

256 Font Styles akan dihasilkan, dan mereka diubah secara bertahap.

Opsi

Ada banyak pilihan. Periksa tabel berikut.

Untuk	Pilihan	Keterangan	Bawaan
Persiapkan, latih	--img_width	Lebar gambar.	64
Persiapkan, latih	--img_height	tinggi gambar.	64
Persiapkan, latih	--img_dim	dimensi gambar.	3
Persiapkan, latih	--chars_type	Anda dapat memilih tipe karakter, "topi", "hiragana" atau "topi, hiragana"	"topi"
Kereta, hasilkan	--gpu_ids	ID GPU yang Anda gunakan. Jenis ini adalah string (ex. "0, 1")	(diatur secara otomatis)
Kereta, hasilkan	--batch_size	Ukuran Batch untuk Gan	256
Kereta	--arch	Arsitektur Model GAN. Pilih "Dcgan" atau "Resnet"	"DCGAN"
Kereta	--style_ids_n	# ID Gaya	256
Kereta	--style_z_size	ukuran style_z	100
Kereta	--gan_epoch_n	# iterasi zaman	10000
Kereta	--critic_n	# iterasi kritikus	5
Kereta	--sample_imgs_interval	interval menyimpan gambar sampel	10
Kereta	--sample_col_n	# kolom gambar contoh	26
Kereta	--keep_ckpt_interval	interval menjaga tempat pembuangan tensorflow	250
Kereta	--run_tensorboard	Jalankan Tensorboard atau tidak	BENAR
Kereta	--tensorboard_port	Port untuk halaman Tensorboard	6006