Master Chinese Calligraphy with CGAN: Generating calligraphy font images and creating calligraphy fonts.
在zi2zi-pytorch（https://github.com/EuphoriaYan/zi2zi-pytorch）的基础上，做了进一步的修复和完善。
修复部分为：针对预处理部分的函数弃用、生僻字无法生成、训练和推理部分单卡支持改为多卡并行、以及扩展从本地的txt文件进行字体图片生成等功能。
完善部分为：对生成后的字体图片进行了优化，使得生成的图片更加清晰；同时，新增了字体（.ttf或者.otf）制作的功能。
新楷体——楷书-方正多宝塔碑
方正多宝塔碑推理效果如下：
新楷体——楷书-毛笔书法多宝塔碑
多宝塔碑推理效果如下：
新楷体——楷书-柳公权
柳公权-玄秘塔碑推理效果如下：
新楷体——楷书-赵孟頫三门记
赵孟頫推理效果如下：
新楷体——楷书-魏碑
魏碑推理效果如下：
安装的库版本如下:
- Python 3.7
- CUDA 10.2
- cudnn 7.6.5
- pytorch 1.5.1
- pillow 7.1.2
- numpy 1.18.1
- scipy 1.4.1
- imageio 2.8.0
为了避免I/O瓶颈，在训练过程中，需要对数据进行预处理，将数据转换为二进制格式并持久化到内存中。
首先从网上下载原字体和目标字体（.ttf或者.otf），然后运行font2img.py（运行以下代码需要将字体文件放置与font2img.py同一目录下），生成配对数据集。
python font2img.py --src_font=src.ttf
--dst_font=trg.otf
--charset=CN
--sample_count=1000
--sample_dir=dir
--label=0
--filter
--shuffle
--mode=font2font提供了四种默认字符集：CN（简体中文）、CN_T（繁体中文）、JP（日语）、KR（韩语）。您还可以指定一个单行文件，系统将生成其中字符的图像。
如果您想要使用特定文本(valid.txt)验证网络，请运行以下命令。
python font2img.py --src_font=src.ttf
--dst_font=trg.otf
--charset=valid.txt
--sample_count=len(infer.txt)
--sample_dir=dir
--label=0
--mode=font2fontvalid.txt 应该是一个只有一行的文件。
当我们不满足于使用网上字体生成目标字体图片，而是拥有或者制作了自己的目标字体图片时，可以使用模式2。
此时原字体图片还是使用ttf生成，而目标字体图片则使用自己制作的图片（如.png格式）。
注意：目标字体图片的命名格式为 该图片对应的汉字~下面作者字典对应的值.图片格式的后缀名。
如我们拥有若干张多宝塔碑的图片，图片格式为.gif，则命名为 啊顏真卿多寶塔體.gif 、 哎顏真卿多寶塔體.gif、 皑~顏真卿多寶塔體.gif等。
对于特定格式的图片，也可以使用我的data.preprocess.py文件来批量更改图片数据格式。
writer_dict = {
'智永': 0, ' 隸書-趙之謙': 1, '張即之': 2, '張猛龍碑': 3, '柳公權': 4, '標楷體-手寫': 5, '歐陽詢-九成宮': 6,
'歐陽詢-皇甫誕': 7, '沈尹默': 8, '美工-崩雲體': 9, '美工-瘦顏體': 10, '虞世南': 11, '行書-傅山': 12, '行書-王壯為': 13,
'行書-王鐸': 14, '行書-米芾': 15, '行書-趙孟頫': 16, '行書-鄭板橋': 17, '行書-集字聖教序': 18, '褚遂良': 19, '趙之謙': 20,
'趙孟頫三門記體': 21, '隸書-伊秉綬': 22, '隸書-何紹基': 23, '隸書-鄧石如': 24, '隸書-金農': 25, '顏真卿-顏勤禮碑': 26,
'顏真卿多寶塔體': 27, '魏碑': 28
}python font2img.py --src_font=src.ttf
--dst_imgs=target_path
--sample_count=1000
--sample_dir=dir
--mode=font2imgs当原图片和目标图片都不需要从现有的字体生成时，可以使用模式3。此时src_imgs和dst_imgs都需要指定为图片的路径。
操作比较简单，只需要对原图片和目标图片进行一个拼接。但要注意的是，原图片文件夹和目标图片文件夹的图片必须是一一对应的、顺序一致的。
python font2img.py --src_imgs=source_path
--dst_imgs=target_path
--sample_count=1000
--sample_dir=dir
--mode=imgs2imgs在获取所有图像后，运行package.py将图像及其对应标签转换为二进制格式。
这里的--dir对应的路径即是第一步生成的配对数据集的文件夹。其中，split_ratio范围在[0,1]之间。
python package.py --dir=image_directories
--save_dir=binary_save_directory
--split_ratio=0.2运行后，您将在 --save_dir 指定的文件夹下找到两个对象：train.obj 和 val.obj，分别用于训练和验证。
如果您想要使用特定文本进行推断/验证网络，请运行以下命令。
python package.py --dir=image_directories
--save_dir=binary_save_directory
--split_ratio=0请注意，当split_ratio=0，val.obj是一个空文件。所以您可以通过某种方式将train.obj重命名为infer.obj或val.obj。
experiment/
└── data
├── train.obj
└── val.obj在项目的根目录下创建一个experiment目录，并在其中创建一个data目录来放置这两个二进制文件。
开始训练请运行以下命令：
参数含义解释如下：
--experiment_dir=experiment：指定实验的目录，用于存储训练过程中生成的样本、日志和检查点等文件。--gpu_ids=cuda:0：指定要使用的GPU编号，在这里是使用cuda编号为0的GPU进行训练。--batch_size=32：指定每个训练批次的样本数量为32。--epoch=100：指定训练的总轮数为100轮。--sample_steps=200：指定每隔多少步（iterations）生成一次样本。--checkpoint_steps=500：指定每隔多少步（iterations）保存一次模型检查点。--schedule=10：指定学习率将在多少个epochs之间减半。
python train.py --experiment_dir=experiment
--gpu_ids=cuda:0
--batch_size=32
--epoch=100
--sample_steps=200
--checkpoint_steps=500schedule 在这里表示学习率将在多少个epochs之间减半。如果不存在，训练命令会在experiment_dir下创建sample,logs,checkpoint目录，您可以在其中查看和管理训练的进度。
在训练过程中，您会在checkpoint目录中找到两个或多个checkpoint文件N_net_G.pth和N_net_D.pth，其中N表示步数。
警告：如果您的**--checkpoint_steps**较小，您将在checkpoint路径中找到大量的checkpoint文件，并且您的磁盘空间将被填满无用的checkpoint文件。您可以删除无用的checkpoint文件以节省磁盘空间。
python train.py --experiment_dir=experiment
--gpu_ids=cuda:0 cuda:1
--batch_size=32
--epoch=100
--sample_steps=200
--checkpoint_steps=500训练结束后，您可以运行以下命令来推理测试数据，生成对应的字体图片。
以下是对每个参数含义的解释：
--experiment_dir experiment：指定实验的目录，即存储训练过程中生成的样本、日志和检查点等文件的目录。--batch_size 32：指定每个推理批次的样本数量为32。--gpu_ids cuda:0：指定要使用的GPU编号，在这里是使用cuda编号为0的GPU进行推理。--resume {the saved model you select}：指定要恢复的模型文件，用于进行推理。--obj_pth obj_path：指定二进制文件的路径，用于推理时加载相关的对象文件。--infer_dir：指定推理结果保存的文件夹。
python infer.py --experiment_dir experiment
--batch_size 32
--gpu_ids cuda:0
--resume {the saved model you select}
--obj_pth obj_path
--infer_dir infer_obj例如，如果您想要使用经过100步训练的模型100_net_G.pth和100_net_D.pth，您应该使用**--resume=100**。
python infer.py --experiment_dir experiment
--gpu_ids cuda:0
--batch_size 32
--resume {the saved model you select}
--from_txt
--src_font {your model\'s source font file}
--src_txt "宜將剩勇追窮寇不可沽名學霸王天若有情天亦老人間正道是滄桑"
--infer_dir infer_sentencesrc_txt 是你想要推理的文字。
python infer.py --experiment_dir experiment
--gpu_ids cuda:0
--batch_size 32
--resume {the saved model you select}
--from_txt2
--src_font {your model\'s source font file}
--src_txt_file GB2312.txt
--infer_dir infer_GB2312src_txt_file 是你想要推理的本地txt文件路径。
本项目提供训练好的模型，有方正多宝塔碑、多宝塔碑、柳公权楷书、魏碑、赵孟頫三门记、何绍基隶书、金农隶书供大家下载使用。 2024/12/24更新：预训练模型正在更新中，将于项目整理完毕之后给出链接。
Code derived and rehashed from:
- zi2zi-pytorch by EuphoriaYan
- pix2pix-tensorflow by yenchenlin
- Domain Transfer Network by yunjey
- ac-gan by buriburisuri
- dc-gan by carpedm20
- origianl pix2pix torch code by phillipi
- zi2zi by kaonashi-tyc
- zi2zi-pytorch by xuan-li
- Font2Font by jasonlo0509
Apache 2.0