前文的教程我说过gan我不知道是个什么东西,然而最近我查看资料,经过筛选以后得出结论:gan是generative adversarial network的缩写,翻译成中文就是“生成式对抗网络”,简单地说就是完美复制一张图片上面的每个元素点的对应函数坐标点,比如一张人脸图的眼睛上的某一个点我们假设它的坐标为A(100,100),那么通过计算和学习,使得这个点在另一个虚拟坐标系里面生成一个同一个位置的坐标点A'(50,53)为什么这里坐标点会不一样呢?因为我们是替换,那么其实相对坐标是一样这个我有点说不清,比如两张图片都是侧脸,A图的脸型和B图的脸型是差别,但是他们要完美融合我们只能定一个点比如鼻尖,以鼻尖为原点(0.00,0.00)建立坐标系,向脸部其它位置扩散,那么两张图片的耳朵或者眼睛的坐标肯定是不一样的,但是能达到相对一样所以坐标就不同了。以此类推,无数的点通过对抗学习,能更加的精确模拟出图像。一句话,开了gan和没开gan的区别是很大的,能改善我们训练脸部产生的各种扭曲不和谐的结果。
我们在一个成熟的模型前提下开启gan我发现所有的图片都开始变得模糊(也就是说loss值直线上升,但是一段时间以后LOSS值不再上升)在这里我呼吁吧友们一起做实验,我们一起开启gan和true face进行训练,训练期为1个月,我们挑选出最好的模型然后分享出来。同意的点个赞。
经过3天实验性跑:目前是第一阶段
使用复用丹:原丹开启WF全脸(此项后续无法更改的)训练300W次,开启过扭曲,gan未开过,true未开过 ,背景同样未开过。
实验打开参数:扭曲关闭。随意翻转关闭。BISZ:4。gan:5。true face:0.5。背景:50。脸型50。梯度剪裁:开启。预训练:关闭
第一天:SRCloss值先是从1变成3,然后回归至1.7左右,第二天SRCloss值,从1.7继续变大目前到了2.8左右。且预览画面开始变得抽象,就像梵高的画一样,让你看不懂。
我还会继续训练,如果有小伙伴已经做了实验,希望留言告知。
我们在一个成熟的模型前提下开启gan我发现所有的图片都开始变得模糊(也就是说loss值直线上升,但是一段时间以后LOSS值不再上升)在这里我呼吁吧友们一起做实验,我们一起开启gan和true face进行训练,训练期为1个月,我们挑选出最好的模型然后分享出来。同意的点个赞。
经过3天实验性跑:目前是第一阶段
使用复用丹:原丹开启WF全脸(此项后续无法更改的)训练300W次,开启过扭曲,gan未开过,true未开过 ,背景同样未开过。
实验打开参数:扭曲关闭。随意翻转关闭。BISZ:4。gan:5。true face:0.5。背景:50。脸型50。梯度剪裁:开启。预训练:关闭
第一天:SRCloss值先是从1变成3,然后回归至1.7左右,第二天SRCloss值,从1.7继续变大目前到了2.8左右。且预览画面开始变得抽象,就像梵高的画一样,让你看不懂。
我还会继续训练,如果有小伙伴已经做了实验,希望留言告知。