学习如何构建自定义人脸数据集，并用于图像生成任务中。本任务为条件生成任务，给定一共种类类别标签，生成该类标签的人脸图像，如，黄种人，白种人，黑种人，动漫头像等，后面可以根据需求进行扩充。

1.人脸数据集构建

2.GAN网络的构建和训练

3.前端应用编程

        打开pycharm，点击文件——》新建项目——》Flask——》确定名称和位置。

1.1 人脸图像收集。

        这里我们主要通过python爬取百度图片网页上的图像。

        主目录上新建一个 download_data.py，编写代码如下：

1.2 数据整理

        手动进行清除，删除不符合要求的图像，查看下载的图像，如下图展示：

        清理后，为了用于训练，我们需要对这些原始数据进行初步的处理。如用于生成训练，我们需要将所有图像剪切到128*128的尺寸，并尽量使人脸部分居中对齐。我们使用mtcnn插件完成对人脸的处理。具体过程为:
        

第1步，在根目录解压"mtcnn_pytorch"。

第2步，然后新建mtcnn.py文件，编写人脸对齐相关程序。

第3步，在根目录新建process_mtcnn_128.py文件，用于人脸对齐和剪切操作。代码如下:
 

 第 4 步，数据可视化。在根目录下新建 loaddata.py，编写代码如下： 

    GAN 是一种常用的优秀的图像生成模型。我们使用了支持条件生成的 cGAN。下面介绍简单

cGAN 模型的构建以及训练过程。

2.1 在 model 文件夹中新建 nets.py 文件

输入代码：

2.2 在根目录下新建 cGAN_net.py 文件

编写代码如下：

2.3 中间结果可视化处理 在根目录新建 utils.py 文件

      编写绘制中间结果和中间损失线图的函数：

2.4 在根目录下新建 cGAN_trainer.py 文件

编写训练代码如下：

         采用Flask框架，以web的形式调用模型。预期效果如下：

具体过程如下：

3.1 在static文件夹新建css、js和results文件夹。

        导入资源包中的bootstrap.min.css文件到css文件中，导入jquery.min.js文件到js文件中。

3.2 修改templates文件夹下index.html的内容为：

3.3 在js中新建 main.js 文件。内容为：

3.4 修改 app.py 内容为：