另一半测试免费长相，拯救单身狗：这个对象生成器帮你看看未来对象长啥样

导读另一半测试免费长相，不知道自己未来的老婆 or 老公长什么样？来，我们先用 AI 预测出一个。单身多年的你，是否曾幻想另一半的模样？最近，有这样一个开源项目在深度学习社区火了起来——通过神经网络生成你另一半的相貌。想知道自己会和什么样的人在一起吗？已有网友尝试...

不知道自己未来的老婆 or 老公长什么样？来，我们先用 AI 预测出一个。

单身多年的你，是否曾幻想另一半的模样？最近，有这样一个开源项目在深度学习社区火了起来——通过神经网络生成你另一半的相貌。想知道自己会和什么样的人在一起吗？已有网友尝试了生成效果。

项目地址：https://github.com/irfanICMLL/CoupleGenerator

作者自己介绍，这是一个自 2017 年便开源了的项目，当时使用的是 TensorFlow，不过最近项目代码改成了 PyTorch。

得到对象只需 8800 步训练

项目使用了一百多位新婚夫妇的结婚照片，图像是通过爬虫从百度上爬取下来的。

这些结婚照都有着统一的模板：喜庆而单一的红色背景，清晰的人脸和五官，对模型训练比较友好和方便。

训练样本之一。爬取方法：https://blog.csdn.net/qq_27879381/article/details/65015280#comments

在模型构建和训练上，项目采用了 VGG 作为骨架网络学习图像特征。VGG 是一种常见的神经网络架构，发布于 2014 年，作者是 Karen Simonyan 和 Andrew Zisserman，该网络表明堆叠多个层是提升计算机视觉性能的关键因素。VGGNet 包含 16 或 19 层，主要由小型的 3×3 卷积操作和 2×2 池化操作组成。

VGG 的优点在于，堆叠多个小的卷积核而不使用池化操作可以增加网络的表征深度，同时限制参数的数量。例如，通过堆叠 3 个 3×3 卷积层而不是使用单个的 7×7 层，可以克服一些限制。

首先，这样做组合了三个非线性函数，而不只是一个，使得决策函数更有判别力和表征能力。第二，参数量减少了 81%，而感受野保持不变。另外，小卷积核的使用也扮演了正则化器的角色，并提高了不同卷积核的有效性。

在生成结果的过程中，模型使用 pix2pix 的方式。Pix2pix 是一种基于 GAN 架构的风格转换模型，来自论文《Image-to-Image Translation with Conditional Adversarial NetWorks》，作者包括朱俊彦等，论文在 CVPR 2017 发表后，已有多种框架的实现。

Pix2pix 使用成对的图片数据，学习从一个图像到另一个图像的转换方式，并生成能够以假乱真的图像。

使用 pix2pix 实现不同风格和用途图像的互相转换。

在 Pix2pix 中，生成器采用 encoder-decoder 或 U-Net 的架构。

两种 Pix2pix 的生成器架构。

那么，应该怎么使用这个项目呢？

使用方法

在项目中，作者提供了一些内容，包括：