媳妇儿喜欢玩某音中的动漫特效,那我就用python做一个图片转化软件。

    最近某音上的动漫特效特别火,很多人都玩着动漫肖像,我媳妇儿也不例外。看着她这么喜欢这个特效,我决定做一个图片处理工具,这样媳妇儿的动漫头像就有着落了。

编码

    为了快速实现我们的目标,我们就不自己写图片处理程序了,我们直接调用百度AI开放平台提供的接口实现我们的需求。

    这一次我们导入如下两个库

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
import requests, base64

    我们需要进行百度AI开放平台的接口认证,代码如下:

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
# 百度AI开放平台鉴权函数
def get_access_token():
    url = 'https://aip.baidubce.com/oauth/2.0/token'
    data = {
        'grant_type': 'client_credentials',  # 固定值
        'client_id': 'A3ppUrgl6H*******NjDN4Bb',  # 在开放平台注册后所建应用的API Key
        'client_secret': 'SqaeFpiPPC**********H1lsb0xO3w'  # 所建应用的Secret Key
    }
    res = requests.post(url, data=data)
    res = res.json()
    access_token = res['access_token']
    return access_token

    因为百度AI平台提供了多种图像处理方式,请求URL主体都相同,但是传参不同,所以我们需要对不同的处理方式进行参数处理,代码如下:

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
def get_config():
    img_before = input("请输入当前文件夹下需要处理的图片名称:")
    process_action = ['','selfie_anime','colourize','style_trans']
    print("支持以下处理动作:\n1:为人像动漫化\n2:图像上色\n3:为图像风格化")
    # 处理动作: selfie_anime 为人像动漫化,colourize 图像上色,style_trans 为图像风格化
    i = int(input("请输入需要处理的动作:"))
    """
    cartoon:卡通画风格
    pencil:铅笔风格
    color_pencil:彩色铅笔画风格
    warm:彩色糖块油画风格
    wave:神奈川冲浪里油画风格
    lavender:薰衣草油画风格
    mononoke:奇异油画风格
    scream:呐喊油画风格
    gothic:哥特油画风格"""
    others = ['','cartoon','pencil','color_pencil','warm','wave','lavender','mononoke','scream','gothic']
    j = 0
    if process_action[i] == 'style_trans':
        print("支持转化的风格有:\n\
            1:卡通画风格\n\
            2:铅笔风格\n\
            3:彩色铅笔画风格\n\
            4:彩色糖块油画风格\n\
            5:神奈川冲浪里油画风格\n\
            6:薰衣草油画风格\n\
            7:奇异油画风格\n\
            8:呐喊油画风格\n\
            9:哥特油画风格\n")
        j = int(input("请输入需要转化的风格类型(数字):"))
    return img_before,process_action[i],others[j]

    我们获取到图片和处理参数之后,就拿着这些信息去请求百度AI开放平台了

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
def image_process(img_before, img_after, how_to_deal,others):
    # 函数的三个参数,一个是转化前的文件名,一个是转化后的文件名,均在同一目录下,第三个是图像处理能力选择
    request_url = 'https://aip.baidubce.com/rest/2.0/image-process/v1/' + how_to_deal


    file = open(img_before, 'rb')  # 二进制读取图片
    origin_img = base64.b64encode(file.read())  # 将图片进行base64编码
    headers = {'Content-Type': 'application/x-www-form-urlencoded'}
    data = {
        'access_token': get_access_token(),
        'image': origin_img,
        'option': others
    }


    res = requests.post(request_url, data=data, headers=headers)
    res = res.json()


    if res:
        f = open(img_after, 'wb')
        after_img = res['image']
        after_img = base64.b64decode(after_img)
        f.write(after_img)
        f.close()

    最后,我们再把主函数调用写一下

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
if __name__ == '__main__':
    # 选择输入信息
    img_before, process_action, others = get_config()
    img_after = img_before.split('.')  # 将原文件名分成列表
    img_after = img_after[0] + '_1.' + img_after[1]  # 新生成的文件名为原文件名上加 _1
    image_process(img_before, img_after, process_action,others)
    print('done!')

实现效果

    原始图片:

    卡通化的转化效果:

    彩铅风格转换效果:

    其它效果就由小伙伴们自行实验吧,时间太晚了,我就不一一尝试了。

程序获取

    考虑到有的小伙伴还没有python环境也想体验工具效果,我把也代码打包成了可执行程序,关注公众号“菜鸟小白的学习分享”回复“图片处理程序”即可获取。    

     有兴趣自己研究的小伙伴想要获取源码的话,关注公众号“菜鸟小白的学习分享”回复“图片处理源码”即可获取。

      如果你也认可菜鸟小白的学习分享的话,请给我一个在看、点赞、关注+赞赏,因为有你们,所以我一直在努力。  


推荐阅读:


关注微信公众号——菜鸟小白的学习分享

妈妈再也不用担心我找不到路了

一个人的学习——孤单

一群人的学习——幸福

点亮小花

让更多人督促我们学习成长

好的,下面是一个简单的Python代码示例,可以用于基于中文商品信息建立BERT模型并进行分类。 首先,您需要安装必要的Python库,例如transformers、torch和sklearn。可以使用以下命令进行安装: ``` pip install transformers torch scikit-learn ``` 接下来,您需要准备数据集。假设您的数据集保存在名为“data.csv”的CSV文件中,其中第一列是商品信息文本,第二列是相应的类别标签。您可以使用pandas库来读取数据集,例如: ```python import pandas as pd # 读取数据集 df = pd.read_csv('data.csv', header=None, names=['text', 'label']) ``` 然后,您需要对数据集进行预处理,并将其拆分为训练集和测试集。可以使用sklearn库来进行此操作,例如: ```python from sklearn.model_selection import train_test_split # 将数据集拆分为训练集和测试集 train_data, test_data = train_test_split(df, test_size=0.2, random_state=42) ``` 接下来,您需要加载预训练的BERT模型,并使用它来构建分类器。可以使用transformers库来完成此操作,例如: ```python from transformers import BertTokenizer, BertForSequenceClassification import torch # 加载预训练的BERT模型和tokenizer model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=10) tokenizer = BertTokenizer.from_pretrained('bert-base-chinese') # 将数据集转换为BERT模型所需的格式 def preprocess(text): inputs = tokenizer(text, padding=True, truncation=True, max_length=128, return_tensors='pt') return inputs['input_ids'], inputs['attention_mask'] train_inputs = [preprocess(text) for text in train_data['text']] test_inputs = [preprocess(text) for text in test_data['text']] # 定义数据加载器 train_loader = torch.utils.data.DataLoader(list(zip(train_inputs, train_data['label'])), batch_size=32, shuffle=True) test_loader = torch.utils.data.DataLoader(list(zip(test_inputs, test_data['label'])), batch_size=32, shuffle=False) # 定义优化器和损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=2e-5) loss_fn = torch.nn.CrossEntropyLoss() ``` 最后,您可以训练模型并进行测试。可以使用以下代码训练模型: ```python # 训练模型 for epoch in range(10): model.train() for batch in train_loader: inputs, labels = batch optimizer.zero_grad() outputs = model(**inputs, labels=labels) loss = loss_fn(outputs.logits, labels) loss.backward() optimizer.step() # 在训练集上评估模型性能 model.eval() correct = 0 total = 0 with torch.no_grad(): for batch in train_loader: inputs, labels = batch outputs = model(**inputs) _, predicted = torch.max(outputs.logits, 1) total += labels.size(0) correct += (predicted == labels).sum().item() train_acc = correct / total # 在测试集上评估模型性能 correct = 0 total = 0 with torch.no_grad(): for batch in test_loader: inputs, labels = batch outputs = model(**inputs) _, predicted = torch.max(outputs.logits, 1) total += labels.size(0) correct += (predicted == labels).sum().item() test_acc = correct / total print(f'Epoch {epoch+1}: Train acc = {train_acc:.3f}, Test acc = {test_acc:.3f}') ``` 在训练完成后,您可以使用以下代码对新的商品信息进行分类: ```python # 对新的商品信息进行分类 def predict(text): inputs = preprocess(text) outputs = model(**inputs) _, predicted = torch.max(outputs.logits, 1) return predicted.item() category = predict('保鲜袋组合装好媳妇') print(category) ``` 这就是一个简单的Python代码示例,可以用于基于中文商品信息建立BERT模型并进行分类。需要注意的是,这只是一个示例,实际应用时您需要根据您的数据集和任务进行一些调整和修改。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

菜鸟小白的学习分享

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值