天秀！GitHub 硬核项目：动漫生成器让照片秒变手绘日漫风！！！

除了架构细节上的更新外，作者还提出了以下三个新的损失函数：

• 灰度风格（grayscale style）loss

• 灰度对抗（grayscale adversarial）loss

• 色彩重构（color reconstruction）loss

这些损失函数能够让生成图片的风格更加接近于真实的漫画风格。

下表比较了 ACartoonGAN 与 AnimeGAN 的模型大小与推理速度。可以明显看出，AnimeGAN 是个相对轻量级的 GAN，具有更少的参数量以及更快的推理速度。

总体来说，新提出来的 AnimeGAN 是一种轻量级的生成对抗模型，它采用了较少的模型参数，以及引入格拉姆矩阵（Gram matrix）来加强照片的风格。研究者的方法需要采用一系列真实图片与一系列动漫图片做训练，且这些图片并不需要成对匹配，这就表明训练数据非常容易获得。

项目实测

我们在 Ubuntu 18.04 下对本项目进行了测试，相关依赖环境如下：

• python 3.6.8

• tensorflow-gpu 1.8

• opencv

• tqdm

• numpy

• glob

• argparse

这些依赖项可以说都是 CV 中常用的扩展库，我们就不用费尽心思去解决各种依赖环境冲突的问题了，这里给个好评。

以下是本项目的训练及测试详细流程。我们首先将 AnimeGAN 项目克隆到本地，在 Jupyter notebook 中输入：

!git clone https://github.com/TachibanaYoshino/AnimeGAN

将工作目录切换到 AnimeGAN：

import os

os.chdir(‘AnimeGAN’)

print(os.getcwd())

接下来下载项目作者提供的预训练模型，使用 vim download_staffs.sh 创建一个 Shell 文件，输入如下命令：

URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zip

ZIP_FILE=./checkpoint/Haoyao-style.zip

TARGET_DIR=./checkpoint/saved_model

mkdir -p ./checkpoint

wget -N $URL-O$ZIP_FILE

mkdir -p $TARGET_DIR

unzip $ZI{P}_{F}ILE-d$TARGET_DIR

rm $ZIP_FILE

DatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zip

ZIP_FILE=./dataset.zip

TARGET_DIR=./dataset

rm -rf dataset

wget -N $DatesetURL-O$ZIP_FILE

unzip $ZI{P}_{F}ILE-d$TARGET_DIR

rm $ZIP_FILE

VGG_FILE=./vgg19_weight/vgg19.npy

wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=KaTeX parse error: Expected 'EOF', got '&' at position 136: …export=download&̲id=1U5HCRpZWAbD…VGG_FILE && rm -rf /tmp/cookies.txt

保存后退出，以上命令会将预训练的模型、vgg19 权重以及训练数据集下载并保存到其对应目录下。在 notebook 中运行：

!bash download_staffs.sh

至此即完成所有准备工作，运行如下代码就可以对模型进行训练了：

!python main.py --phase train --dataset Hayao --epoch 101 --init_epoch 1

AnimeGAN 的训练过程如下图所示：

当进行测试时，我们需要将用于测试的图片保存到 dataset/test/real 目录下，并运行如下代码：

!python test.py --checkpoint_dir checkpoint/saved_model --test_dir dataset/test/real --style_name H

当看到以上输出说明程序已经成功运行完成，生成结果保存在 results 文件夹下。可以看到，在 P100 GPU 上生成一幅图片需要大约 2.3 秒左右。

整体而言，运行速度还是比较快的，这么好玩的项目，你不来试下吗？

相关文章

---

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数前端工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，可以扫码获取！！（备注：前端）

结尾

正式学习前端大概 3 年多了，很早就想整理这个书单了，因为常常会有朋友问，前端该如何学习，学习前端该看哪些书，我就讲讲我学习的道路中看的一些书，虽然整理的书不多，但是每一本都是那种看一本就秒不绝口的感觉。

以下大部分是我看过的，或者说身边的人推荐的书籍，每一本我都有些相关的推荐语，如果你有看到更好的书欢迎推荐呀。

戳这里免费领取前端学习资料

：前端）**

[外链图片转存中…(img-EB1YnuUl-1713764750208)]

结尾

正式学习前端大概 3 年多了，很早就想整理这个书单了，因为常常会有朋友问，前端该如何学习，学习前端该看哪些书，我就讲讲我学习的道路中看的一些书，虽然整理的书不多，但是每一本都是那种看一本就秒不绝口的感觉。

以下大部分是我看过的，或者说身边的人推荐的书籍，每一本我都有些相关的推荐语，如果你有看到更好的书欢迎推荐呀。

戳这里免费领取前端学习资料