# <font class="h2">**字到字 zi2zi**</font>

<style>
.h1 {
background: linear-gradient(135deg,#fff,#FF95CA) ;
color: #BF0060;
display:block;
padding: 6px 5px;
border-radius: 4px;
}
.h2 {
background: linear-gradient(180deg,#fff 50%,#FF95CA) ;
color: #BF0060;
display:block;
padding: 6px 5px;
border-radius: 8px;
border-bottom: 3px solid #BF0060;
}
</style>


[TOC]

## zi2zi: Master Chinese Calligraphy with Conditional Adversarial Networks

- **WEB**

https://kaonashi-tyc.github.io/2017/04/06/zi2zi.html

- **官方** 

https://github.com/kaonashi-tyc/zi2zi

- **修正後** 

https://github.com/Circle472/zi2zi_tensorflow

## 使用 Anaconda Prompt (Anaconda3)

#### Requirement

* Python = 3.7
* CUDA
* cudnn
* Tensorflow = 1.14.0
* Pillow
* numpy >= 1.12.1
* scipy = 1.2.1
* imageio

#### 建議使用虛擬環境
！！！電腦要有 <font color="hotpink">**NVIDIA GPU**</font>！！！

conda create --name zi2zi python=3.7
conda install tensorflow-gpu==1.14.0
conda env create -f zi2zi.yml
conda activate zi2zi
git clone https://github.com/Circle472/zi2zi_tensorflow.git
cd zi2zi_tensorflow

## 測試 tensorflow-gpu

>python
>>>imort tensorflow as tf
>>>tf.test.is_gpu_available()

## 前置

建立 sample 資料夾

mkdir image_train
mkdir image_val

*--srcfont: 來源字體路徑位置
--dstfont: 目標字體路徑位置
--charset: 要讀取的字集 e.g. CN、CNT、JP、KR、<font color=red>TWTrain</font>、<font color=red>TWVal</font>
--samplecount:取幾張圖訓練（數字）
--sampledir:圖片存放位置（對應 package.py 的 --dir）
--label: 類別編號，在<font color=red>同模型訓練多字體</font>時需更換，ex: 2、3...
--shuffle: 是否重新排序字集中文字的排序 e.g. 0: false, 1: true*

這裡設定<font color=hotpink>**來源字體為源樣黑體，目標字體為 CircleFont，訓練字數 1000 字**</font>。

python font2img.py --src_font=font/GenYoGothicTW-EL-01.ttf --dst_font=font/CircleFont.ttf --charset=TWTrain --sample_count=1000 --sample_dir=image_train --label=1 --filter=1 --shuffle=1
python font2img.py --src_font=font/GenYoGothicTW-EL-01.ttf --dst_font=font/CircleFont.ttf --charset=TWVal --sample_count=670 --sample_dir=image_val --label=1 --filter=1 --shuffle=0

## 建立訓練、驗證資料 object

**得到 train.obj 和 val.obj 在 save_dir 資料夾**

得到 train.obj
save_dir 預設 `experiment/data`

python package.py --dir=image_train --save_dir=experiment/data --split_ratio=0.1

得到 val.obj 會在最後驗證步驟 infer.py 用到
（這裡 --save_dir 與 infer.py 的 --source_obj 相同）

python package.py --dir=image_val --save_dir=experiment/data/val --split_ratio=1

## TRAIN

*--experimentdir: 訓練要存的資料夾（已存在），會在內建立 checkpoint、log、sample 資料夾
--experimentid: 模型編號（數字）
--batchsize: 設定 1 epoch ? batch（數字）*

python train.py --experiment_dir=experiment --experiment_id=1 --batch_size=16 --lr=0.001 --epoch=500 --sample_steps=50 --schedule=20 --L1_penalty=100 --Lconst_penalty=15

## 推論結果 INFER

*--modeldir: 訓練後的 checkpoint 資料夾
--batchsize: 圖片中的文字列數
--experimentids: 對應 font2img 的 --label 數字（預設 1 代表要推論出 label=1 的驗證資料集）*

python infer.py --model_dir=experiment/checkpoint/experiment_1_batch_16 --batch_size=1 --source_obj=experiment/data/val/val.obj --embedding_ids=1 --save_dir=experiment/infer_1