​想知道与你最般配的伴侣长什么样?这个“夫妻相”生成器要火(附链接)...


授权自AI科技大本营(ID:rgznai100)

本文约1000字,建议阅读5分钟

作者使用pix2pix代码训练了一个“夫妻相”生成器。

各种奇形怪状的AI生成器都有。

前一段时间,我们盘点了诸多有意思的AI生成器,包括特效生成器、内容生成器、人脸生成器等等(见文末文章链接)。

这不,又一位作者使用pix2pix代码训练了一个““夫妻相””生成器。这个生成器只要输入你自己的人脸图片,就可自动可以生成与你最匹配的未来伴侣,让你在茫茫人海中,发现与你最般配的那张“夫妻脸”,或许可以助你尽早脱单。

GitHub上,作者给出了经过8800个步骤后的训练结果。

该模型可以在短时间内拟合训练图像。

她还给出了一个可能有用的ckpt模型文件下载地址:

https://cloudstor.aarnet.edu.au/plus/s/YHDWgez1g3RFc6o

配置环境

应该是tensorflow == 1.1 ...

还需要下载VGG预训练权重:

https://github.com/machrisaa/tensorflow-vgg

快速开始

下载训练图像并将其解压:

https://cloudstor.aarnet.edu.au/plus/s/VWZJaWfbla3kFch

运行bash autotest.sh

作者称,这是两年前的旧项目,他们在互联网上收集了已婚夫妇的照片,并对图像进行预处理。

你也可以把自己与所喜欢人的合照作为训练对。

训练图像的示例:

总的来说,这是一个输入你自己的人脸照片就能自动生成一个与之匹配的异性人脸,具有“夫妻相迁移”的效果。

“人工智能跳大神”,有网友思维开阔,表示同理用离婚数据集也可以学个模型,单身准备处对象的看到相似长相的就可以绕着走了。

当然,“用小三数据集也可以学个模型,方便监督自己的另一半,防患于未然。”

你要不要做一个试试?

 

该项目的作者是阿德莱德大学的计算机科学在读博士生Yifan Liu,师从沈春华教授。

她本硕毕业于北京航天航空大学,曾在微软亚洲研究院访学,由资深研究员王井东博士指导。2019年3月,她的一篇论文曾被CVPR 接收。

       

目前,她正在从事语义分割,2D图像和视频实例分割的研究,还将在近期发布有关视频分割的新代码。

她称这个生成器自己做的一个娱乐项目。此外,她还在GitHub有自动绘画、股票预测的EMM等项目。

GitHub链接:

https://github.com/irfanICMLL

生成器文章系列:

  • 超模脸、网红脸、萌娃脸...换头像不重样?我开源了5款人脸生成器

http://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247511457&idx=1&sn=62d738fe97198c685d87b2e92550942f&chksm=e99e9e58dee9174e55794d05b755e0fadef40db75ec05fd1df606c1b05ac7d23ca9304810063&scene=21#wechat_redirect

  • 我收集了12款自动生成器,无聊人士自娱自乐专用

http://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247511033&idx=1&sn=d21cf09eb97977945432d64e21b84a11&chksm=e99e9800dee91116625fe5c639bfd955ffae344504613e5dc7f4366756e2464cd0aafccd7dff&scene=21#wechat_redirect

  • 这款“狗屁不通”文章生成器火了,效果确实比GPT 2差太远

http://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247510047&idx=1&sn=fc0dda4155d75eced550ea36d1f2c79e&chksm=e99e9be6dee912f06c9f725276b6398dd0154fc1f40d20f5f942f5aad49c9b98d0c4357465a0&scene=21#wechat_redirect

编辑:王菁

校对:林亦霖

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值