1. 内在算法思想 目录
- 用 faceswap 底层依赖的工具包 face_recognition 以及训练好的 face_recognition_model 进行面部识别，其实这就是一个已经训练好的用于面部识别的 CNN（卷积神经网络）。然后在面部标注出关键的面容与表情特征点。对于原脸与目标脸（要替换成的脸），分别执行该步骤。
-
利用脸部识别的结果，对原脸与目标脸进行匹配（该步骤依赖dlib工具包），即face align，主要利用在面部标注出关键的面容与表情特征点，将特征点分布比较一致的图组成一个个训练样本 (x(i),y(i))
-
用一个个训练样本来训练CNN，基于TensorFlow
想详细了解 face_recognition 请点 这里
想详细了解 dlib 请点 这里
2. 准备 目录
你至少要满足一下条件之一：
- A powerful CPU
- A powerful GPU
目前仅支持 Nvidia GPUs ，无法支持农企（AMD），这是由该工具的底层依赖的TensorFlow决定的，开发人员表示也很无奈(｡í _ ì｡) 仅仅是 Nvidia GPUs 还不够，它还得至少能支持 CUDA Compute Capability 3.0 或者更高，言外之意：这是有钱人的游戏，没钱就滚吧
Python >= 3.2
安装方法见：安装Anaconda
当你的系统中同时安装了Anacoda2和Anaconda3（对应着python2.7和Python3.6)，而你的日常工作中又同时要用到着两个版本的Python时，你可以按照以下方法自如地在两个版本之间转换：
# 将两个版本的Anaconda的路径写入~/.bashrc
$ vim ~/.bashrc
# 在~/.bashrc中添加下面两句：
# export anaconda2=$HOME/Anaconda2/bin
# export anaconda3=$HOME/Anaconda3/bin
# 用Python2.7时
$ $anaconda2/python
# 用Python3.6时
$ $anaconda3/python
Virtualenv
virtualenv 是一个创建隔绝的Python环境的工具。virtualenv创建一个包含所有必要的可执行文件的文件夹，用来使用Python工程所需的包。
# for Windows
pip install virtualenvwrapper-win
# for linux
$ $anaconda3/pip install virtualenv
推荐用git将代码仓库克隆到本地
首先你得安装git到你的电脑上
- Windows 下载地址：https://gitforwindows.org/ ，安装过程参考： git 2.14.1(windows)安装教程
- Linux
# 进入管理员身份 $ su # 然后输入管理员密码 # 安装git (for CentOS) # yum install git
打开git Bash（或git CMD)
git bash命令行的输入语法类似于Linux而不同于Windows下的CMD。下面克隆faceswap repo（代码仓库）
# 进入指定工作目录
$ cd e:
$ cd DeepLearing_practice/
# git克隆
$ git clone https://github.com/deepfakes/faceswap.git
- Windows
初始化virtualenv，在CMD中执行：
# 进入指定工作目录
e:
cd DeepLearing_practice/
# initialize our virtualenv
mkvirtualenv faceswap
setprojectdir .
- 如果要退出virtualenv，输入
deactivate- 如果要重新激活virtualenv，输入
workon faceswap
- Linux
virtualenv faceswap_env/
- 如果要退出virtualenv，输入
deactivate- 如果要重新激活virtualenv，输入
source faceswap_env/bin/activate
当你已经激活virtualenv后，从requirement files安装依赖程序。requirement file位于faceswap repo中
由于GPU没有达到配置要求，我只能用CPU跑了，所以我们选择文件"requirements-python36.txt"
pip install -r requirements-python36.txt
安装dependencies需要花费一些时间，请耐心等待。。。
悲剧了，安装dependencies出了一些问题，由于使用了requirements-python36.txt进行批量化安装，我们不清楚到底哪一步出了问题，所以我们采取手动安装，按照requirements-python36.txt中的顺序，一个一个安装
# requirements-python36.txt内容
pathlib==1.0.1
scandir==1.6
h5py==2.7.1
Keras==2.1.2
opencv-python==3.3.0.10
tensorflow==1.5.0
scikit-image
dlib
face_recognition
tqdm
按顺序执行pip install *进行安装，前几个都很顺利，直到遇到 dlib 时报错了：Permission denied: 'cmake' —— 没有cmake的执行权限，如果你是管理员那么你可以切换到管理员身份进行安装，如果不是的话，自己安装一个cmake。
# 用conda安装cmake
$ $anaconda3/conda install cmake
# 将cmake安装目录添加到环境变量
$ export PATH=$HOME/software/anaconda3/binL$PATH
# 测试cmake是否安装成功
$ cmake -h
安装好cmake后，继续尝试安装dlib
$ pip install dlib
# 或者可以用源码安装
$ python setup.py install
可是还是报错，麻蛋，什么破玩意儿！
CMake Error at /share/disk5/lianm/basic_tool/dlib-19.9.0/dlib/external/pybind11/tools/pybind11Tools.cmake:32 (message):
Unsupported compiler -- pybind11 requires C++11 support!
错误信息显示编译需要C++11的支持，也就是说我们还得再安装一个C++11，那就来吧
# 获取GCC 4.8.2包
$ wget -c -P basic_tool http://gcc.skazkaforyou.com/releases/gcc-4.8.2/gcc-4.8.2.tar.gz
# 解压
$ tar zxvf gcc-4.8.2.tar.gz
# 进入到目录gcc-4.8.2，运行：./contrib/download_prerequisites。这个神奇的脚本文件会帮我们下载、配置、安装依赖库，可以节约我们大量的时间和精力。
$ ./contrib/download_prerequisites
# 建立输出目录并到目录里
$ mkdir gcc-build-4.8.2；cd gcc-build-4.8.2
# 设置好configure(配置)
## --enable-languages 表示你要让你的gcc支持那些语言
## --disable-multilib 不生成编译为其他平台可执行代码的交叉编译器
## --disable-checking 生成的编译器在编译过程中不做额外检查
## --prefix 指定安装目录，如果不指定安装目录则或默认安装在/usr/local，不是管理员没有该目录的写权限会导致安装失败
$ ../configure --prefix=$HOME/software/gcc-4.8.2/bin --enable-checking=release --enable-languages=c,c++ --disable-multilib
# 开始编译，这一步比较耗时
$ make
# 安装
$ make install
检验是否安装成功
gcc -v
如果显示的gcc版本仍是以前的版本，就需要重启系统；或者可以查看gcc的安装位置：which gcc；
requirements安装好了以后，你可以尝试运行faceswap
python faceswap.py -h
3. Workflow 目录
参考资料：