fontdesign_gan

Design de fonte GaN

Código para treinamento/geração de GaN, ou seja, para design de fonte.

Amostras

Fontes geradas, eles têm vários estilos e são legíveis como personagem.

Caminhada aleatória em espaço de entrada de estilo. Você pode assistir a fontes gradualmente transformadas.

Como usar

Ambiente

O Auther verificou os códigos de corrida apenas seguindo o ambiente:

• Ubuntu 16.04 LTS
• GeForce GTX 1080 & Driver (Driver versão: 384.111)
• CUDA 8.0
• CUDNN V6.0 (Associação necessária)

Se você deseja executar com o ambiente mais recente, revise alguns arquivos conforme necessário.

Em primeiro lugar, clone este repositório. Adicionar --recursive porque este repositório contém submodule (font2img)

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

com o Docker (GPU necessário)

Se você usa GPU e Docker, é fácil configurar seu ambiente. As bibliotecas de requisitos estão escritas no Dockerfile.
Instale o Driver GPU/NVIDIA Docker e execute os seguintes comandos:

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

Sem Docker

com GPU: Instale o driver da GPU/CUDA/CUDNN e execute o seguinte comando:

 pip install -r requirements_gpu.txt

com CPU: Execute o seguinte comando:

 pip install -r requirements_cpu.txt

Preparar

Converta os arquivos de fonte (.ttf) em arquivos de imagem (.png) e empacote -os em um arquivo hdf5 (.h5)

Faça um diretório (Ex ./ttfs Defina o caminho de destino (ex. ./src/myfonts.h5 ) e execute.

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

--ttf2png é a opção para converter, os arquivos de imagem são salvos em ./src/pngs/{YYYY-MM-DD_HHmmss} . Se você usar --font_pngs , poderá definir o caminho.
--png2h5 é a opção de embalagem, o arquivo embalado é salvo no caminho que você definir com a opção --font_h5 .

Trem

Definir o caminho do arquivo embalado e executar.

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

Os resultados são salvos em ./result/{YYYY-MM-DD_HHmmss} . Você pode definir o destino com --gan_dir .

No diretório log , salvo os mesmos arquivos: o log dos sinalizadores, o mais recente/mantido do TensorFlow (.ckpt*), o log do Tensorboard.
No diretório sample , as fontes que geradas temporárias são salvas.

Durante o treinamento, o Tensorboard também está em execução. URL de acesso que será mostrado na linha de comando.

Gerar

Defina um caminho do diretório de saída do GaN treinado e um arquivo JSON.

O arquivo JSON deve ser escrito IDS/IDs de caracteres. Um ID de estilo corresponde a uma matriz aleatória. Um ID do personagem corresponde a um personagem.

Os IDs são carregados em ordem e você pode usar alguns operandos. Por exemplo, se o arquivo json estiver seguindo:

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

Os IDs de entrada serão assim:

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

e, o número de colunas de resultados é 4. Verifique também os arquivos de amostra ( ./jsons/sample*.json ).

Depois de preparar o arquivo JSON, execute assim:

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

As fontes geradas são salvas em ./result/{trained}/generated/{YYYY-MM-DD_HHmmss}.png traaded }/generated/{yyyy-mm-dd_hhmmss }.png. Você pode definir o nome do arquivo de saída com --gen_name .

A imagem gerada é assim:

Se você quiser fontes aleatórias, use --generate_walk . Um arquivo JSON é desnecessário.

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

256 fontes dos estilos serão geradas e são transformadas gradualmente.

Opções

Existem muitas opções. Verifique a tabela a seguir.

Para	Opção	Descrição	Padrão
Prepare, treine	--img_width	largura de imagens.	64
Prepare, treine	--img_height	altura das imagens.	64
Prepare, treine	--img_dim	dimensão das imagens.	3
Prepare, treine	--chars_type	Você pode escolher o tipo de personagens, "Caps", "Hiragana" ou "Caps, Hiragana"	"Caps"
Treine, gerar	--gpu_ids	IDs de GPU que você usa. Este tipo é string (ex. "0, 1")	(definido automaticamente)
Treine, gerar	--batch_size	Tamanho do lote para GaN	256
Trem	--arch	Arquitetura dos modelos GaN. Escolha "dcgan" ou "resnet"	"Dcgan"
Trem	--style_ids_n	# de IDs de estilo	256
Trem	--style_z_size	tamanho de estilo_z	100
Trem	--gan_epoch_n	# de iterações de época	10000
Trem	--critic_n	# de iterações críticas	5
Trem	--sample_imgs_interval	intervalo de salvar imagens de amostra	10
Trem	--sample_col_n	# das colunas da imagem de amostra	26
Trem	--keep_ckpt_interval	Intervalo de manter os dumps do Tensorflow	250
Trem	--run_tensorboard	Execute o Tensorboard ou não	Verdadeiro
Trem	--tensorboard_port	Porta para Página de Tensorboard	6006