summary_dir：如果你想使用 TensorBoard 来可视化一些指标（比如迭代中的损失），这就是保存所有总结的地方。默认在 /tmp/summary。你可以检查训练 batch 的损失，以及验证集上的损失及其 breakdown

frame_dir：保存在验证集上获取的输出的目录。用于选出用于推理的最好模型。在训练之后，你也可以找到一个名为 transition.gif 的文件，可以看到该模型在训练过程中的进展动画，开奖，同样也在验证集上。

对于其它选择，你可以使用 -h 查看确切的使用案例。

假设我们最后完成了训练（终于完成了！），我们就可以使用前面所提到的 infer 模式了，看模型在之前从未见过的字符上表现如何。你可以在 frame_dir 中参考获取的帧来帮助你选择你最满意的模型（说明一下：通常不是误差最小的那个）。运行以下命令：

注意这里的 source_font 可以不同于训练中所使用的那个。事实上，它甚至可以是任何其它字体。但最好选择相同或相似的字体进行推理，atv直播，以得到最佳的结果。在推理之后，你将能找到所有输出字符的图像序列以及一个包含了这些推理出的字符位图的 npy 文件。

讨论&未来工作

该项目只是一个个人项目，来帮助我学习和理解 TensorFlow，但也顺利发展成了一件更为有趣的事，所以我认为值得与更多的人分享。

目前，该网络一次只能学习一种风格，如何将它扩展到一次性掌握多种风格会是一件有趣的事。2000 个字符比完整 GBK 数据集的 10% 还少，但它还是比较多的，少于 100 字符的情况下有可能学习到字体的风格吗？我的猜测是 GAN 可能会对此有所帮助。

在网络的设计上，该架构被证明在不同的字体上是有效的，但每个卷积层的数量的优化还需要搞清楚，或者一些卷积层是否有必要？

我想要探索的另一个有趣的方向是创造混合多种风格的字体。在损失函数上简单结合两种字体的表现并不好。可能我们应该为字体单独训练一个 VGG 网络，然后劫持（hijacking）特征映射？或者在网络设计上使用潜在更多的新变化，从而解决这个问题？

最后，该项目证明了更专门化的应用深度学习的可能性，CNN 帮助加速了汉字字体的设计流程。研究的结果很是振奋人心，但并非从无到有的创造新字体，这也不是该项目的内容。

感谢&有用的资料

谷歌的 TensorFlow 教程：https://www.tensorflow.org/versions/r0.11/tutorials/mnist/pros/index.html

来自 Justin Johnson 的在快速神经风格迁移网络上的补充材料： 和 https://github.com/jcjohnson

来自 Ian Goodfellow 的视频：https://www.youtube.com/watch?v=NKiwFF_zBu4 。非常好的东西，非常实用，说明了很多如何使用深度学习解决问题的要点；看完之后，我就觉得没必要自己再写一份笔记了。

感谢我的朋友 Guy 帮助我在合理的预算内搭建了一台 PC

　　证书

　　GPLv3

©本文由机器之心经授权编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]