人工智能预训练微调模型推理服务【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址https://gitcode.com/gh_mirrors/pa/PaddleFormers点击查看免费下载本指南以 PaddleFormers 仓库中的 attgan_celeba 模块文档 为主体系统讲解基于 AttGAN 网络、在 Celeba 数据集上训练的人脸属性编辑模块的安装、命令行预测、Python API 调用与结果输出方式。读完本文你将掌握如何用 PaddleHub 以一条命令或几行代码实现秃顶刘海金发戴眼镜等人脸属性的定向编辑并理解该模块在仓库图像生成能力体系中的位置与底层实现机制。一、模块基本信息项目内容模块名称attgan_celeba类别图像生成image generation网络AttGAN数据集Celeba是否支持 Fine-tuning否模块大小167MB最新更新日期2021-02-26数据指标-在仓库的模块总览modules/README.md中attgan_celeba被归类于Image Generation图像生成子类与pixel2style2pixel、stgan_bald、styleganv2_editing、stargan_celeba、stgan_celeba等模型并列定位为human face editing人脸编辑能力。也就是说该模块不是从零生成人脸而是对输入的真实人脸照片做属性定向编辑保留人物身份特征的同时改变指定属性。1. 应用效果该模块的官方样例展示了一张人脸原图经模型处理后生成的多种属性结果图像属性依次为original image原图、Bald、Bangs、Black_Hair、Blond_Hair、Brown_Hair、Bushy_Eyebrows、Eyeglasses、Gender、Mouth_Slightly_Open、Mustache、No_Beard、Pale_Skin、Aged。即同一张人脸可以在发型、发色、眉毛、眼镜、性别、表情、胡子、肤色、年龄等维度上被独立或组合地编辑。2. 模型介绍AttGANAttribute Generative Adversarial Network是一种生成对抗网络其核心思想是利用分类损失classification loss和重构损失reconstruction loss来约束网络从而在改变指定属性的同时保证人脸其他区域与整体身份特征不被破坏分类损失让生成图像的属性分类器能准确识别出目标属性确保该改的属性确实被改到重构损失要求当输入属性与目标属性一致时生成器输出的图像能重构回原图从而约束不该改的属性保持不变。本模块使用 Celeba 数据集训练完成目前支持以下13 种人脸属性的转换Bald、Bangs、Black_Hair、Blond_Hair、Brown_Hair、Bushy_Eyebrows、Eyeglasses、Gender、Mouth_Slightly_Open、Mustache、No_Beard、Pale_Skin、Aged从仓库中同类的 stgan_bald 模块实现 可以印证这一属性体系其内部同样以Bald,Bangs,Black_Hair,Blond_Hair,Brown_Hair,Bushy_Eyebrows,Eyeglasses,Male,Mouth_Slightly_Open,Mustache,No_Beard,Pale_Skin,Young这样的属性向量来描述人脸并通过属性向量在原始状态与目标状态之间的切换驱动生成器输出。可以推断attgan_celeba的推理链路遵循相同的范式将人脸图像与属性向量一同送入生成器输出保留身份特征、仅改变目标属性的新图像。二、安装1. 环境依赖使用该模块前需要满足以下环境要求paddlepaddle 1.5.2深度学习框架运行环境paddlehub 1.0.0PaddleHub 模块管理工具负责模块的下载、安装与调用。PaddleHub 的安装方式可参考仓库文档 docs/docs_en/get_start/installation.rst。2. 模块安装在满足依赖后通过hub install命令安装指定版本的模块$ hub install attgan_celeba1.0.0这里显式指定了版本号1.0.0对应模块的首次发布版本见后文更新历史。安装命令背后的机制可在仓库源码中查看paddlehub/commands/install.py 负责解析hub install参数paddlehub/module/manager.py 中的install方法则完成模块的下载与本地注册。如果在安装过程中遇到问题可参考仓库提供的快速入门文档Windows 快速入门Linux 快速入门Mac 快速入门三、模块 API 预测1. 命令行预测安装完成后可以直接通过命令行完成人脸属性编辑$ hub run attgan_celeba --image /PATH/TO/IMAGE --style target_attribute参数说明参数含义--image输入图片路径必填--style指定要转换的属性从Bald、Bangs、Black_Hair、Blond_Hair、Brown_Hair、Bushy_Eyebrows、Eyeglasses、Gender、Mouth_Slightly_Open、Mustache、No_Beard、Pale_Skin、Aged中选择一种例如将人脸照片转换为金发效果$ hub run attgan_celeba --image ./my_face.jpg --style Blond_Hair命令行调用的底层流程可以在仓库源码中确认paddlehub/commands/run.py 中的RunCommand负责加载指定名称的模块并将剩余参数解析后透传给模块的推理函数最终打印返回结果。关于 PaddleHub 命令行的完整用法可参考 docs/docs_en/tutorial/cmd_usage.rst。2. 预测代码示例除了命令行更推荐在 Python 脚本中以 API 方式调用import paddlehub as hub attgan hub.Module(nameattgan_celeba) test_img_path [/PATH/TO/IMAGE] trans_attr [Bangs] # 构造输入字典 input_dict {image: test_img_path, style: trans_attr} # 执行预测并打印结果 results attgan.generate(datainput_dict) print(results)代码执行流程拆解hub.Module(nameattgan_celeba)从本地已安装模块中实例化模块对象构造输入字典input_dictimage键对应待处理图片路径列表style键对应目标属性列表此例为添加刘海调用attgan.generate(datainput_dict)完成推理返回值results为结果图片的保存路径列表可直接打印查看。3. API 说明def generate(data)风格转换图像生成API。参数datadict包含以下字段imagelist[str]列表中的每个元素为待转换图片的路径stylelist[str]列表中的每个元素为字符串填写待转换的人脸属性。返回值reslist[str]生成图片的保存路径列表。需要注意style支持一次传入多个属性例如[Bald, Eyeglasses]对应同时进行多项人脸属性编辑该模块不支持 Fine-tuning即只能直接使用预训练权重进行推理无法在此基础上针对新数据做微调。四、更新历史版本说明1.0.0首次发布五、延伸阅读与相关资源模块完整文档中英文README.md 与 README_en.md仓库图像生成模块总览modules/README.md同属人脸编辑方向的还有stgan_bald、stargan_celeba、stgan_celeba、styleganv2_editing等同类 GAN 模块源码参考stgan_bald 模块实现其数据预处理、属性向量构造、CPU/GPU 推理切换逻辑对理解attgan_celeba的内部机制具有直接参考价值命令行使用教程docs/docs_en/tutorial/cmd_usage.rst安装与快速入门docs/docs_en/get_start/installation.rst赞分享人工智能预训练微调模型推理服务【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址https://gitcode.com/gh_mirrors/pa/PaddleFormers点击查看免费下载相关推荐PaddleHub stgan_bald 模块实战基于 STGAN 与 CelebA 的人脸秃头效果生成指南PaddleHub stgan_bald 模块实战基于 STGAN 与 CelebA 的人脸秃头效果生成指南 导读 stgan_bald 是 PaddleHu人工智能预训练微调模型推理服务PaddleHub 图像编辑模块 fbcnn_gray基于 FBCNN 的 JPEG 灰度图像伪影去除实战指南PaddleHub 图像编辑模块 fbcnn_gray基于 FBCNN 的 JPEG 灰度图像伪影去除实战指南 导读 本文以 PaddleFormers 仓人工智能预训练微调模型推理服务基于 PaddleHub 的 NASNet 图像分类模块 nasnet_imagenet 使用指南基于 PaddleHub 的 NASNet 图像分类模块 nasnet_imagenet 使用指南 NASNet 是 Google 利用 AutoML 自动搜索人工智能预训练微调模型推理服务上一篇QuoJS 开源项目教程下一篇【亲测免费】 SeleniumLibrary 使用指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考