5分钟用GANs生成CryptoPunks风格图像

2021年，NFT数字艺术品和数字藏品迅速出圈，在这场浪潮中，2017年成立的“加密朋克”（CryptoPunks）项目因其收藏者的知名度和不断刷新的成交价，升值成为最具价值的收藏品之一，更成为了先锋投资者和艺术收藏者身份的象征。

多个NFT数字艺术品项目的成功，也将AI生成数字艺术品推至台前。在这场“出圈浪潮”中，很多艺术家选择用AI技术作为图像创造的工具，最终再将艺术品铸造为NFT，使用AI技术进行NFT数字艺术品创作的可能性被充分发掘。与艺术生成有关的AL/ML工作专注于艺术风格的创造，很多团队和个人也关注到艺术品，通过生成对抗网络（GANs）“批量”生成特定风格的作品。

最近有一个名为“CryptoPunks GAN”的项目发布在Github上，用于生成 CryptoPunks 的简单 SN-GAN，项目地址： https://github.com/teddykoker/cryptopunks-gan 。这个项目用Python完成，我们通过矩池云 www.matpool.com 对其进行了复现。矩池云提供面向元宇宙的解决方案，创作者可以使用平台轻松训练和部署其AI模型，加速元宇宙中的如NLP虚拟人、图像内容生成等环节的过程。本次用机器学习生成CryptoPunks项目的复现，上手过程非常简单，不需要任何安装和调试，打开界面就能在云端就感受到生成艺术的创作过程。

一、分析项目依赖，租用机器

1.1 分析项目依赖环境

首先通过开源项目的requirements.txt文件，我们知道该项目主要需要Pytorch1.10.2和CUDA11.3环境，另外还需要pandas、Pillow等第三方包，如果将其在本地安装我们还是需要花一定的时间的，不过我们不需要这些复杂的步骤。

我们进入 矩池云 ，如果你还没有注册过账号，可以先注册一个账号，新注册用户关注并绑定 矩池云 微信公众号可获赠5元体验金，体验金在租用机器时直接抵扣（等会就可以用）。

1.2 在矩池云租用合适的机器

在矩池云的主机市场，我们可以选择需要使用到的机器，这里我们就选最便宜的NVIDIA Tesla K80（经过测试，可以使用代码模型和训练）。

点击租用按钮后，我们可以对机器进行配置：

• 1 选择基础镜像，我们直接搜索 Pytorch1.10
• 2 发现有相关镜像，并且其他依赖如CUDA11.3也符合要求，点击选择即可
• 3 选择好镜像后，我们可以进行其他配置，如：VNC功能开启、公钥设置、高级选项中的自定义端口等（首次尝试也可以先忽略这些功能）

设置好机器基本环境，我们点击下单即可。（如上所述，如果你是新用户，绑定 矩池云 微信公众号后获得的体验金可以在释放机器时直接抵扣费用）

二、下载代码、数据及模型

租用好机器后，我们选择最简单的使用方法，直接点击租用界面的JupyterLab连接，即可快速使用服务器。

进入JupyterLab页面后，我们先点击 Terminal 进入终端，并输入下面指令。

cd /mnt
mkdir MyCode && cd MyCode
git clone https://hub.fastgit.xyz/teddykoker/cryptopunks-gan.git

我们只需把上方代码复制粘贴即可，当出现 Checking out files:  100% 即代表下载开源项目CryptoPunks-GAN项目成功，可以进入到下一步。

我们可以了解一下刚才输入这段代码的含义，它代表着

• 先进入 /mnt 目录（矩池云网盘挂载目录）
• 新建一个文件夹 MyCode 并进入文件夹（用于存放项目文件）
• git clone下载开源项目 cryptopunks-gan

三、使用模型和训练

3.1 使用预训练模型测试

我们进入到 cryptopunks-gan 项目目录。具体方式为，找到名为 mnt 的文件夹

进入到MyCode，再进入到cryptopunks-gan

然后点击左上角 + 新建一个Launcher，点击Notebook中的 myconda 。即可新建一个jupyter notebook文件。

我们可以先使用预训练好的模型来测试使用，测试使用代码官方已经给我们提供好了。

可以直接复制以下所有代码，或者像我一样一段一段运行

import torch
from torchvision.utils import save_image
from train import Generator


model = Generator()
model.load_state_dict(torch.load("models/net_g_epoch_999.pth"))
z = torch.randn(64, 100, 1, 1)
punks = model(z)
save_image(punks, "punks.png", normalize=True)

运行按钮如下

运行成功后会在项目目录下生成一个 punks.png 文件。

我们可以直接点击查看预训练结果

3.2 训练模型

按照教程，除了使用预训练模型，我们还可以对模型进行训练，训练代码在项目目录的 train.py 文件中。

我们重新回到JupyterLab的Terminal中

输入下面指令（首先进入项目目录，然后运行train.py）：

cd /mnt/MyCode/cryptopunks-gan
python train.py

这个过程比较漫长，预计1个小时左右，训练完成后默认会在项目目录中生成一个 out 目录，里面会存放训练好的权重文件和样本图片文件。最终完成训练的图片是序号最大的那张，在这个案例中即编号为999的文件。

此时回到“我的网盘”，即可看到 out 文件夹，刚才的训练过程和结果图片都在其中。

在训练使用过程中你还可以查看机器监控，看机器的GPU、内存等使用情况。

3.3 释放机器

当你的代码都跑完，不需要使用机器时，可以选择释放机器。

在机器租用页面，你可以看到 释放机器 按钮，在 更多 按钮中你还可以看到 保存环境 功能。

如果你在基础环境中还安装了一些其他包，并且想在下次使用的时候想继续使用，你可以选择保存环境，保存的环境会存放在你的网盘中。

如果不需要保存环境，直接点击 释放机器 即可。

以下一部分为epoch训练后生成的图片：

训练最终的完成图如下

四、关于GANs

Ian Goodfellow等人在2014年的一篇论文中首次提出生成对抗网络（GANs），它的实现方式是通过同时使用生成模型和判别模型，两个模型相互竞争，从而训练出图片。这一过程可以这样简单解释，生成模型的作用类似于一个人不断地创造假的《蒙娜丽莎》，他要在创造过程中不断提升其和真画的相似度，判别模型则类似于鉴别师，他负责鉴别和确认假画。两个人相互竞争，双方提升各自的创造方法和鉴别方法，直到假画达到与真画难以区分的程度。

在CrypoPunks GAN项目中所用到的算法是SN-GAN，即Spectral Normalization for Generative Adversarial Network，训练过程更稳定，更容易收敛，文献内容可参考 https://arxiv.org/abs/1802.05957 。