翻譯自：
/blob/master/faceswap-guide-cn.md
“提取” 流程
很多人在開始 "Faceswap" 時不知所措，並且犯了許多錯誤。錯誤是好的，這是我們的學習方式，但有時在深入學習之前對所涉及的過程有壹點了解可能會有所幫助。
在本節中，我將詳細介紹 “抽取” 的工作流程。 我並不是說這是最好的工作流程，但是它對我很管用，希望在您創建自己的工作流程時提供壹個良好的起點。
我將在本指南中使用 “GUI”，在 “cli” 中也完全相同（“GUI”中存在的所有選項在“cli”中都是可用的）。
“提取” 包括三個階段： “檢測”、 “匹配”、 和 “遮罩生成” 。每個階段都有幾個插件。它們的優缺點在工具提示（針對“GUI”）或幫助文本（針對“cli”）中都有詳細說明，因此不再贅述。 然而，“檢測” 是在每壹幀中查找人臉的過程，“匹配” 是在人臉中查找 “特征” 並壹致地確定人臉位置的過程。最終，“遮罩生成” 將創建壹個 “遮罩”，即識別出圖像中哪些是人臉，哪些不是。
提取有兩個主要目的：
從技術上講還有第三個目的，當您為轉換提取人臉時，也需要壹些人臉進行訓練，這些我都會講到。
雖然轉換時不需要提取人臉（僅需要“匹配文件”），但是提取出來將是很有用的，以便我們可以為轉換過程清理 “人臉集”。
“匹配文件” 保存了每幀中所有的人臉信息，特別是人臉位置，以及人臉的68個 “特征點” 位置：
該文件還保存了為每個人臉提取的所有 “遮罩”
“匹配文件” 的目的有三點：
因此，現在我們知道了為什麽需要提取人臉，如何確定壹個良好的工作流程？
第壹步，無論您創建 “人臉集” 的原因是什麽，實際上都需要從幀中提取人臉。
現在我們已經提取了臉部，我們需要整理 “數據集” 和 “匹配文件”。 “提取器” 在獲取人臉方面做得很好，但並不完美。 它將有壹些誤報，將無法匹配某些面孔，還會提取出我們不想交換的人。 如果您轉至 “faces” 文件夾，最有可能的是輸出如下所示相似的內容：
清理這些看起來不太有趣！ 幸運的是我們可以讓這更容易。 清理數據集的最快、最簡單的方法是將這些面孔按有意義的順序分類，然後刪除所有我們不需要的人臉。 最好的分類方法是 “按人臉分類”。
註意 ：按人臉分類是RAM密集型的，它要做很多計算。 我已經測試成功在 8GB RAM 上對 22k 張人臉進行了分類。 如果您要分類的人臉數量超出了 RAM，則該過程將自動切換到慢得多的方法，因此，如果您的內存有限，則可能需要將數據集拆分為較小的子集。 理論上，所需的 RAM 量為 (n2 * 24)/1.8，其中 n 是圖像數。 您還需要考慮任何其他 RAM 開銷（即其他程序正在運行，加載到 RAM 的映像），但理論上，這將占用 30,000 個圖像 (300002 * 24)/ 1.8 = 12,000,000,000 字節或大約 11GB。
轉到 “GUI” 中的 “Tools” 選項卡，然後轉到 “Sort” 子選項卡：
程序將開始讀取人臉，為每個人臉建立身份。 然後它將根據相似度將面孔聚集。 實際中聚集過程可能需要很長時間，因為它需要計算大量數據。 不幸的是，沒有關於進度的視覺反饋，因此請耐心等待。
完成後，您應該發現99％的面孔已分類在壹起：
所有無用的也壹起分類了：
現在您要做的就是滾動 faces 文件夾，刪除那些不想保留的人臉。
現在我們已經刪除了所有不需要的人臉，只留下我們要做的壹組，我們需要清理 "匹配文件”。為什麽？ 因為我們不需要的已經刪除的人臉還在 “匹配文件” 中，因此將來很可能會給我們造成問題。 使用集成的工具清理 “匹配文件” 還有壹個額外好處，就是將我們的人臉重新命名為它們的原始文件名，因此是雙贏的。
導航至 “Tools” 標簽，然後選擇 “Alignments” 子標簽：
完成後，您的人臉將被重命名為其原默認名稱，並且所有不需要的人臉將從您的 “匹配文件” 中刪除。
該過程將備份您的 舊“匹配文件”，並將其放在新創建的 “匹配文件” 旁邊。 它的名稱與清理後的 “匹配文件” 名稱相同，但文件名末尾會附加 "backup_<timestamp>"。 如果您新的 “匹配文件” 是正確無誤的且感到滿意，則可以安全地刪除此備份文件。
此時，如果您正在提取以進行轉換（或該集合將用於轉換和訓練），則可以完全刪除您的 faces 文件夾，這些人臉都不再需要。 如果您需要重新生成 “人臉集”，則可以使用 “Alignments Tool” （提取作業）來完成。
Ok，我們提取出了人臉，清理了所有沒用的，現在確定完事了嗎？ 等等，夥計。 當然，您可以繼續前進，但是您想要好的 “交換” 還是想要壹次很好的 “交換”？
手動修復對於以下任務很有用：
根據我們要提取數據集的內容，這將決定我們要在此處執行的操作。 如果我們純粹只提取壹個訓練集，則可以完全跳過此步驟，然而最好檢查壹下現有的 “匹配文件” 以確保正確構建任何遮罩。
如果為 “轉換” 而提取，那麽我們絕對要修復幀中的任何多個人臉，以及所有缺少匹配的幀。僅此壹項就可以改善最終交換。 然後，根據您想要的程度，可以解決所有不良的匹配。
我將不詳細介紹如何使用手動工具。 那本身就是壹個指南，但是非常直觀，在彈出窗口中編寫了說明。
如果打算使用遮罩進行訓練或使用 “Warp to Landmarks”，請將 “匹配文件” 從源幀位置復制到新創建的 faces 文件夾中。
現在，您已經清理了 “匹配文件”，您可能希望拉出其中壹些人臉以用於訓練集，這是壹個簡單的任務：
導航到 “Tools” 選項卡，然後導航到 “Alignments” 子選項卡：
如果打算使用遮罩訓練或使用 “Warp to Landmarks”，則將 “匹配文件” 從源幀位置復制到新創建的 faces 文件夾中。
因此，您已經準備好要訓練的大量人臉，並且有壹堆來自所對應幀的 “匹配文件”。 這些可以合並為壹個訓練源嗎？當然可以！
在合並 “匹配文件” 之前，我們需要做壹點準備：
現在，在 GUI 中，導航到 “Tools” 選項卡，然後導航至 “Alignments” 子選項卡：
處理完成後：
您的訓練準備好了
“訓練” 流程
很多人在開始 "Faceswapping" 時不知所措，並且犯了許多錯誤。 錯誤是好的，這是我們的學習方式，但有時在深入學習之前對所涉及的過程有壹點了解可能會有所幫助。
在本節中，我將詳細介紹我們如何訓練模型。有壹些模型有很多選擇，我不會全都說到，但希望這能足夠讓您來做出自己的明智決定。 如果您尚未生成用於訓練的 “人臉集”，請立即停止並轉到 “提取流程” 來生成它們。
本指南中有很多背景信息，我建議您把這些全都熟悉壹下。機器學習是壹個復雜的概念，但我嘗試將其分解為盡可能簡單易懂。對神經網絡的工作原理以及從中獲得的數據類型有基本的了解，將極大地提高您成功交換數據的機會。
我將在本指南中使用 “GUI”，在 “cli” 中也完全相同（“GUI”中存在的所有選項在“cli”中都是可用的）。
在較高的級別上，訓練是在教我們的神經網絡（NN）如何重塑人臉。大多數模型主要由兩部分組成：
某些模型的構造略有不同，但基本前提保持不變。
神經網絡需要知道它在編碼和解碼人臉方面做得如何，它使用 2種 主要工具來實現此功能：
然後，模型會重復這個動作很多次，並根據其損失值不斷更新其權重，從理論上講會隨著時間的推移而不斷改進，直到您認為已學到足以有效重現人臉的程度，或者損失值停止下降。
現在我們有了神經網絡的基本知識，以及它如何學習創建人臉，這是如何應用於人臉交換的？在上面所述中，您可能已經註意到，神經網絡學習如何對壹個人臉進行加載，然後重建這些人臉。這不是我們想要的……我們想要很多的人臉並重建別人的臉。為了實現這壹目標，我們的神經網絡做了兩件事：
使用 Faceswap 時，您將看到壹些常見的機器學習術語，為了生活簡單些，在這裏展示了壹個術語表：
數據的質量對模型來說是非常重要的。 良好的數據能夠使壹個較小的模型執行的很好，同樣，沒有模型可以對不良的數據執行得很好。 在模型的每壹側至少應有 500張 不同的圖像，但是數據越多，越多樣化，