我把石原里美的脸，合成到日本小短片儿里了！

请叫我

制片师

不知道差友们还记不记得两个月前 Reddit 上的科技界大事儿。。。

有个 id 叫 deepfakes 的神人，用机器学习框架写了一套工具，把女星的脸接到了某些不可描述的影片中。

和一般意义上的 P 图不同，这个方法是通过搭建神经网络来学习人脸，使替换以后的脸可以生动地模仿原来的表情，以假乱真。

差评君这两天闲来无事，逛 Reddit 的时候发现有了个以 deepfakes 命名的板块，里面一堆人在讨论技术的同时还在贴着不可描述的内容，一片欣（ hei ）欣（ hei ）向（ hei ）荣，学术氛围浓厚。。。

还有人分享大量训练样本

差评君觉得有些奇怪，虽然说那位叫 deepfakes 的大神把工具开源了，但是以大部分网友的水平应该是不会用他的源码的，咋这个社区这么热闹了呢。。。

直到我注意到了置顶帖，又有个 id 叫 deepfakeapp 的老哥在 deepfakes 的代码基础上做了一套傻瓜式工具，让没啥技术背景的人也能学会使用，这种分享精神实在是让我感动。。

可惜的是虽然哥们儿精神可嘉，不过依然不够 geek –这套工具没有开源。

不过一开始 deepfakes 的代码库也没有用任何协议，所以不开源也没啥毛病。

那还等什么？？？我这就下载下来，抱着学术态度好好研究一下机器学习啊！！！

按照开发者的教程，这套工具的环境需要 CUDA，这是核弹厂 Nvidia 出的用显卡来做机器学习的工具，我装了一下。（ 至于为啥要用显卡来搞，你可以看看我的旧文章 ）

以及 Visual Studio，微软家的开发工具，功能极为强大，这个差评君因为平时会玩儿 Unity， 早就装过了。

工具名叫 FakeApp，它目前有 3 个功能，我依次试了试。

第一个功能是获取训练样本。

获取方式是逐帧截取一个视频文件，然后再把里面的脸部截出来，做成一个个 256 × 256 像素的矩形。

差评君征集了一下公司里小伙伴们的意见，选择了女神石原里美作为训练对象。

我找到了一段采访视频，用 FakeApp 的素材制作工具成功获得了大量石原女神的脸部图片。

在剔除了一些不含脸部，或者不清晰的图片以后，得到了两千多张脸部图片。

好。。。可爱。。。

然后，在网上随便找了一个不认识的日本妹子拍的视频，也做了差不多的操作，获得了另一组素材。

差评君准备好了素材，开始使用第二个功能，训练。

结果刚点下去没多久，这玩意儿报了个错。

考虑到这是个人开发项目，稳定性很差也是情有可原的嘛，而且人家也没收钱。。。

但是我不知道问题出在哪啊？！

后来通过各种研究，发现有人和我碰到了一样的问题，最后开发者回答：因为执行训练时用的代码调用的是 CUDA 8.0（ 最新的是 9.1，你特么研究这么先进的技术，环境能不能也用新的！？），而 CUDA 8.0 配套的 Visual Studio 插件最新的也只支持到 2015 版本，差评君用的是 2017，因此失败了。

总而言之，就是环境配置的时候我没有按要求的版本搞！

而且这朋友又没开源，我想改代码也没办法，只好老老实实地去搞定环境了。

但是问题来了，微软作为一家在科技行业中的领先企业，为了推动新标准自然是义不容辞的，所以旧版的工具 VS 2015 在官网上肯定是没收啦，给我用新版本去啊混蛋！

我看着文件夹里几千张石原小姐姐的微笑，正准备砸电脑的时候，在旁边偷窥我的世超给了我个 U 盘，里面静静的躺着 VS 2015 的镜像文件，他朝我露出了一个鼓励的微笑。。。

果然还是你们程序员靠谱啊

差评君卸载了电脑上的 VS 2017，装上了 2015，又重新装了遍 CUDA 8.0，打上了补丁，我可以说我上学的时候都没这么认真的钻研技术。。。

随后，设置好了一些选项，例如训练素材和模型的路径，神经网路层数，节点数等等。。。

项目代号：石原里美，启动！

顺路还在工作群里装了个逼！

一开始，效果很次，啥也看不出。。。

工具运行时会出现两组不断变小的叫作 “ Loss ” 的属性，差评君猜这是素材组转化的时候体现损失率的参数，值越低越好。

随着时间的推移，图像变得清晰以后，就能看见训练代码会在左边不知名妹子的脸型基础上，用石原妹子的脸型代替成右边的样子。

这期间，电脑卡得一塌糊涂。。。

我嫌它太慢了，抢过了 KK 装了 1080 Ti ，32G 内存的高配 PC，把环境全部搞定了以后开始了全速训练，目测大概是我 16G， 960 GTX 的小破电脑 5 倍速度，我把进程挂在那儿跑了 20 个小时。

这个训练过程没有结束的时候，我只要按照自己的需求，掐掉训练就行。

第二天，我从 KK 这里把训练好的模型拷贝了过来，开始了最后一步。

转化素材。

这一步我做了以后发现，原理其实没有我想象的那么牛逼。。。

在我依次指定完训练好的模型和原视频的路径，设定好视频帧率以后，这个工具会逐帧分离视频，把人脸抽出来，然后从模型里找到数据替代像素，再嵌回去做成新的逐帧画面，最后把画面合成视频。

然而，这个个人项目再次证明了它还有进步空间，最后一步合成的时候出错了，而且找不到原因。。。

看着这 8 千多张合成好的视频帧，我快急死了。。。

赶紧上 Reddit 的对应板块去研究一下，结果。。。

没错，其实我比这些新闻网站都要先知道这个消息，因为我这两天一直混在这儿研究技术问题。。。

最后我通过长时间搜索找到了个工具：FFMPEG，可以把逐帧的图片转换成视频，我配置好了命令行工具以后，一行命令就搞定了。。。

（ 而且我知道这么搞视频肯定没声音，

机智地顺便还从原视频里拉了个音轨 ）

我再用 FFMPEG 把音轨放了进去，看到静静地躺在那儿的 MP4 文件，我激动地仰天长叹。。。

估计是我太专注了，这一放松，回头发现办公室里的人都来围着我来看视频了。

看来他们也挺关心啊。。。

可以看到，脸部边上还是有些瑕疵，但是这个表情已经很到位了有木有。。。

而且音轨拉进去以后，说话的时候口型竟然对上了！

不说了，这个技术前景无限，我去喝瓶营养快线冷静冷静。

“ 从此看片不求人！ ”

来源：差评 chaping321