文章目录

• 文件结构
• 执行步骤
• 效果优化
• * 总结：
  • 切图层面：
  • extract层面：
  • select 层面：
  • 原始数据优化：
  • 执行过程优化：
  • convert :
  • 其他优化idea
• 辅助知识
• 实验记录
• 环境配置
• * 环境配置——数据：
  • 环境配置——第三方库
  • 环境配置——操作工具
  • 环境配置——硬件
  • 环境配置——其他
• bug解除
• 关键信息

原本这些文字是为了我方便，临时记录的，所以整体逻辑可能不清晰，留坑以后再梳理的更好。

文件结构

总的来说：

• 云端没有必要这么麻烦，只需要几个文件夹：源码、input、output、input_A、input_B、models，出过源码一般都要是空的才好。
• oss 端：文件系统需要完善一些，OSS可以作为一个项目的中心
• Mac端：Mac端主要起到的作用是：
  • 准备素材：利用软件下载视频，利用FFmpeg剪切视频、切出图片等等。
  • 查看效果：查看convert的结果的效果怎么样。

文件结构：
项目P：

• code: —————————————————————GPU
• data:—————————————————————————CPU
  • A:
    • video.rmvb（target_video.rmvb）下载素材视频
    • photo_v/ : fps=100 生成素材照片
    • photo_p 下载素材照片
    • photo_f 合并素材照片
    • A_source.zip(photo_v+photo_p) 压缩素材照片
  • B
• OSS:————————————————————————————————————OSS
  • V_1：
    • source: A_source.zip;A_source.zip 上传至OSS，并下载到Mac
• extract:—————————————————————————————GPU or cpu
  • V_1
    • A
      • input ： 下载并解压缩
      • output : 提取人脸照片集
      • A_extract.zip(output) 压缩人脸照片集
    • B
• OSS:————————————————————————————————————OSS
  • V_1：
    • extract :A_extract.zip;B_extract.zip 上传至OSS，并下载到Mac
• select:—————————————————————————————————————————Mac
  • V_1: auto →manual
    • select_A→zip(A_select.zip) 挑选并压缩
    • select_B→zip(B_select.zip) 挑选并压缩
• OSS:————————————————————————————————————————————————OSS
  • V_1：
    • select :A_select.zip;B_select.zip 上传至OSS，并下载到GPU
• train:———————————————————————————————————————————————————— ————GPU
  • V_1_1:
    • input_A ：下载解压
    • input_B ：下载解压
    • models ：训练生成
    • models.zip:压缩模型
• OSS:————————————————————————————————————————————————OSS
  • V_1_1：
    • models :models.zip 上传至OSS，并下载到GPU
• convert:———————————————————————————————————————————————————————— ——————GPU
  • V_1_1_1:
    • target_video.rmvb:目标视频 软连接做好
    • input ：切出照片集（ fps=25）
    • models : 转换算法软连接做好
    • output: 转换结果
    • silent.mp4: 合成无声视频
    • voice.mp3 :取出目标视频音频
    • result.mp4：合成最终完整结果
    • result.zip:压缩（output+silent.mp4+voice.mp3+result.mp4）
• OSS:——————————————————————————————————————————————————————————————————————————OSS
  • V_1_1_1：
    • result :result.zip 上传至OSS，并下载到Mac

项目Q:

oss

• data
  • h
  • l
    • photo
    • video
  • p
    • photo
    • video
• l_project/
  • v_1/
    • source/
    • extract/
    • select/
    • v_1_1/
      • models/
      • V_1_1_1/
        • result/

执行步骤

1——环境搭建：

1. 硬件：实例(OSS)、GPU、CUDN、CUDNN、
2. 软件: anaconda、TensorFlow_GPU 、dlib 、face_recognize、keras、、、、、
3. 文件：code、input_A 、input_B/、input、output、models、data(photo、video、history)

2——数据准备：

1. 视频剪切
2. 音频导出
3. 图片切出

3——人脸提取：extract

1. A：
   • 把A的照片集cp到input里
   • python3 faceswap.py extract -i input -o output（ -i input -o output可以省略不写）
   • 手动删除output不合适的照片
   • mv output input_A；rm input/*
2. B:
   • 把B的照片集cp到input里
   • python3 faceswap.py extract -i input -o output（ -i input -o output可以省略不写）
   • 手动删除output不合适的照片
   • mv output input_B；rm input/*

4——模型训练：train

• python3 faceswap.py train -A input_A -B input_B -o models（-A input_A -B input_B可以省略不写）
• lossA 和 loss B 至少降到0.015以下

5——照片转换：convert

• python3 faceswap.py convert -i input -o output（ -i input -o output可以省略不写）
• 照片中尽量只有目标人脸，不要有其他人脸，不然会一起被转换了的

效果优化

总结：

* 最必要的一个参数就是在convert时候的-f fi
* 其他的参数基本上用处不大（-v 可以展现详细的信息）
* train中的部分参数，可能要启动图形界面相关的东西，在云端无GUI的命令行界面下简单调用可能会出错。
* 训练的时候：input_A是吴京的大头照，input_B是你的大头照（假设你想验一下战狼2），如果反了，在convert中有一个参数可以调整，我的经验下来，感觉，loss_B 的训练似乎非常重要，因为如果视频同一画面中有多张人人脸的时候（例如吴京、达康书记、张翰等等），你会发现你的脸会出现他们每个明星的脸上，而且有时候效果也差不多。
* 如果input_A、input_B文件数比较多，例如5000以上，可以考虑把样本拆分成10 份（等距随机抽样），然后一份一份的训练，先用第一份把loss训练到0.3左右，再在这个基础上，继续训练原有模型，用第二份训练到0.2左右。这样可能比直接用5000份样本来训练，要快一些。
* 注意aligment.json这个文件，这个文件在extract过程中，在input文件里产生的，里面保存的应该是人脸识别的一些结果，例如68个关键点的坐标等等。如果你仍然用这个input文件去convert，会自动调取aligment.json文件的结果，而不是在convert过程再去识别一次。如果input里的这个文件不小心被你删掉了，那么程序就会从新去识别一次人脸，找出关键点等等，这样convert过程就会很慢，很慢。
* 从耗时角度来看：最耗时的是train过程，要想把loss降到0.15以下，可能花费数个小时的GPU时间，下来是extract过程，稍微会花一些时间，十几分钟到几十分钟不等，取决文件数量。convert非常快，前提是aligment.json文件正确且完好。当然以上都是PGU环境下，CPU环境下，会非常慢，train过程更是无法想象。
* models 是可以借力训练的：
    * 训练一半，按下enter键退出训练（千万不要Ctrl+C）并保存结果后，可以再次启动训练，程序会默认加载已有的models继续训练（除非没有models）。
    * 利用上面这个特性，你可以在你替换吴京的models基础上训练你替换钢铁侠。
* 整个过程，难点是环境搭建和效果优化两个层面
    * 环境搭建：建议用anaconda建立虚拟环境，借用阿里云镜像市场的深度学习镜像，配合镜像保存环境，具体内容见环境配置。
    * 效果优化：主要牵扯到效果优化和速度提升。
        * 效果优化：低级层面能操作的就只有优化样本，和调整参数
        * 速度提升：低级层面能操作就只有优化样本了。
* 省钱策略:
    * 充分利用阿里云OSS：可以更加快速传输文件，更加廉价的保存文件
    * 镜像：基本环境搭建好了，就可以利用镜像保存环境了。
    * 其他：利用其他云端平台，还未尝试。

切图层面：

ffmpeg
* 用%4d这样方便排列顺序

extract层面：

更多高质量人脸

* CPU跑提取过程：
    * 速度太慢，3~4s一个，1万张需要 需要8个小时 如果是晚上自己去跑还是可以考虑的
    * 建议直接上GPU，不要浪费时间，除非能够利用上睡觉时间。
* 尝试多线程：=cpu数量时，差异不大，但是＞CPU数量，就变慢了
* 提取的时候，加上人脸选择功能：-f 目标人脸 -n 删除掉不是目标人脸的人脸。
    * 初次尝试，发现加上-f 虽然没有报错，但是也没有work.
    * 第二次尝试，改变参数的输入方式，由多个照片到一个照片(且照片中仅有一张脸)，由字符串到直接输入。依然是没有报错，也没有work。
    * 第三次尝试，换成输入extract的结果，即大头照，并且cp到当前目录，试试。有效果，但是准确率似乎并不好，很多漏掉的，很多错的也加进来来了。后续可以优化的方法：加上旋转功能或者改变阈值。我决定不在这个方向继续优化，理由是，宁愿多花一点时间，手动过滤，保证数据集的质量，也不在这个上面浪费时间。
    * -n  第一次尝试，似乎没有任何效果.
    * 反向使用（-f 非目标人脸jpg），似乎效果挺好的，哈哈，基本上目标人脸都没有是识别出来。指的注意一点是，0405照片似乎是识别出来了（=非目标人脸jpg），但是为什么-n使用的时候，这张照片没有过滤掉呢？
    * 决定不再继续在这个点上进行优化，因为虽然对速度没有多大改进，但是完全无法保证正确率，所以还是手动筛选吧，以保证数据集的质量。
* 旋转人脸：
    * 例： python3 code/faceswap-master/faceswap.py  extract -r 30
        * 的确多检查出了一些，但是速度满了6倍，而且还有多了一些不是的，不值得。
* 调价阈值：
    * 没有尝试，但是不是很建议，可以尝试设置的更高一些，以提高人脸质量,但是相信默认值是作者验证过的最优值。
* 模糊检测：
    * 不试了，没有必要，速度第一位，其他人来搞。
* 尝试CNN检测器：
    * python3 faceswap.py  extract -D "cnn"
        * 同样也是慢了很多
* 对其人眼：
    * python3 code/faceswap-master/faceswap.py  extract   -ae 
        * 速度正常，可以使用
* 预处理：
    * 视频预处理：尽量找仅有目标人脸的，尽量把没有目标人脸的视频剪切掉
    * 图片预处理：原始切出
* 展示更为详细的输出 -v：
    * python3 code/faceswap-master/faceswap.py  extract   -v 
    * 实测，可行，可以用来比对速度
* 画出脸部标记：
    * python3 code/faceswap-master/faceswap.py  extract   -dl
        * 没有必要，而且不知道会不会影响后面算法训练过程。
* 多终端一起跑：
    * 当然首先把数据集进行切分，一起跑，首先可以先手动删掉一些图片，然后再跑。
* 长时间运行，可能会导致速度变慢
    * 猜测是因为没有做内存优化，导致内存膨胀原因导致。
    * 解决：停掉进程，同时再次运行时，先检测运行结果 加上-s
* alignments.json 是在extract这一步写到input里的，在后面convert时候会用到，这个只要在目标视频的extract过程注意好就行了，即为目标视频，你必须这样切一下。别忘了在extract后，把json文件加到原文件当中。
    * 记得在多次对同一个input进行尝试时候，每次尝试都要删除一下 input里的alignments.json文件
* 模糊提出；
    * 并不是真正剔除，会放到output/blur文件夹内
    * 操作形式为 -bt 参数int 或者 --blur-threshold 参数int 
    * 参数取值建议我3比较理想

select 层面：

* 做一个人脸识别系统，把阈值大于一定值的人脸全部跳出来，删除掉
    * 可以先把阈值设的高一点，把一定不是的删掉，然后再阈值降低，再删除
    * 当然每一波都得要人眼过滤一遍
    * 最终结果也要人眼过滤一下

原始数据优化：

* 视频
    * 尽量找只有目标人物的。
    * 在切出照片前可以提前剪辑，去掉没有大段没有目标任务的片段。
* 照片：
    * 爬虫百度图片
    * 爬虫其他明星照片网站

执行过程优化：

* 使用OSS作为数据中转站：
* 做一个表格辅助多线程操作（记录操作步骤和关键信息）
* 服务器端用本地磁盘，加快下载复制速度：没有必要，已经很快了，而且用本地磁盘成本陡升,用ssd盘就好了

convert :

其他优化idea

* 而数据B包含想要插入到数据中的人的面孔
* 拼接时：转换出的人脸比较小的话，拼接时，拉伸到比较大时，就会导致比较模糊
* 拼接时：脸的外侧有一个模糊的区间，也会产生问题。
* 选择人脸的区域：完全整个人脸都选中了，还是选了一部分呢，也会影响最终效果
* 两个人脸的相似度，会影响。
* 既用视频中的人脸，也用外部的人脸，这样效果会好一些（防止过拟合或欠拟合xs）
* 侧脸也会影响。
* 通用模型：别人训练好，直接用就好，例如dlib。非通用模型: 每次应用时候，都需要全部或部分单独训练，例如AB人脸替换。AB替换时，如果你用奥巴马的脸替换川普的模型训练好了，再制作奥巴马替换普京的时候，可以用之前的模型直接继续training，会省时间。
* deepfake 版本选择:选deepfake-fakeswap 
* shuffle 优化：把原始图片扭曲后送入encoding，因为图片扭曲了，更容易学到共性。
* 边缘拼接：
* 训练集：并非图像越多越好，最好找一些多角度的高质量的图片训练集
* 难度在于配置，想办法在iCloud跑通。
* loss 降到0.015以内
I trained a video of Katy Perry with many different scenes, that caused the 20 days delay. Since the scenes had different positions on the faces, I had to take lots of pictures of mine. I realized that it's faster if you train each separate scene. Now that I have 20 days of training, I spend about 30 minutes on new scenes using the previous training.

辅助知识

源代码使用教程：
github.com/Fabsqrt/BitTigerLab
https://github.com/Fabsqrt/BitTigerLab/blob/master/SystemDesign/DeepFake/README.md

python环境变量的修改：
https://blog.csdn.net/qw_xingzhe/article/details/52695486

深度学习环境配置：
http://www.52nlp.cn/深度学习主机环境配置-ubuntu-16-04-nvidia-gtx-1080-cuda-8

GPU计算能力查询表：
https://blog.csdn.net/JiaJunLee/article/details/52067962
https://blog.csdn.net/allyli0022/article/details/54628987

cudnn下载：但是这个cudnn不知道怎样用，怎样解压
https://developer.nvidia.com/rdp/cudnn-archive

如何让linux程序在ssh shell关闭后继续运行？
https://blog.csdn.net/u012973744/article/details/37659551
https://blog.csdn.net/laven54/article/details/45569617

统计文件数
https://www.cnblogs.com/uzipi/p/6100790.html

图片体积，图片分辨率，图片尺寸之间是啥关系？

https://www.zhihu.com/question/19617114

创建镜像
https://help.aliyun.com/document_detail/25460.html?spm=5176.11065259.1996646101.searchclickresult.261b66d0mZJyAI 链接。

linux操作

查看文件夹下文件个数： ls -l |grep “^-”|wc -l

实验记录

放大100倍后的图

环境配置

apt-get 源更新：
https://www.cnblogs.com/gabin/p/6519352.html

环境配置——数据：

数据源是视频，所以免不了用ffmpeg进行一顿操作。
ffmpeg安装：可用anaconda一键安装
ffmpeg操作：

1. 视频剪切：ffmpeg -ss 0:2:22 -t 0:0:10 -i input.avi -vcodec copy -acodec copy output.mp4
2. 提取音频：ffmpeg -i source_video.avi -vn -ar 44100 -ac 2 -ab 192 -f mp3 sound.mp3
3. 切出图片：ffmpeg -i input.mp4 -vf fps=25 -qscale:v 2 “imagename%7d.jpg”
4. 合成视频：
   1. ffmpeg -f image2 -i image%d.jpg video.mp4
   2. ffmpeg -f concat -safe 0 -i Desktop/input.txt -vsync vfr -pix_fmt yuv420p Desktop/output.mp4
      • https://blog.csdn.net/wangshuainan/article/details/77914508?fps=1&locationNum=4
5. 添加音频：
   1. ffmpeg -i son.mp3 -i video_origine.mp4 video_finale.mp4
   2. 如果视频少帧了，可以进行如下尝试 ffmpeg -i son.mp3 -i video_origine.mp4 -c copy video_finale.mp4
6. 视频合并：ffmpeg -f concat -i filelist.txt -c copy output.mkv
   1. filelist.txt 文件结构：https://blog.csdn.net/doublefi123/article/details/47276739
   2. python代码：
7. 音频合并：ffmpeg64.exe -i “concat:123.mp3|124.mp3” -acodec copy output.mp3
8. 注意点：
   • 切图片的频率要设为25时，这样后面音频视频才能匹配上，＞25音慢图像块，＜25音快图像慢。
   • 切图时候图片名称格式要和合图时候一直，例如均为：imagename%04d 或 image%d
   • rmvb格式的视频无法进行“切出图片”操作
   • 腾讯视频Mac本地缓存文件位置： /Users/longqi/Library/Containers/com.tencent.tenvideo/Data/Library/Application Support/Download/video
   • 命令行视频下载工具：you-get和youtube-dl
     • https://www.cnblogs.com/tsdxdx/p/7215336.html
     • https://www.jianshu.com/p/8817a7b0c8d6
   • 视频剪辑的精准切割：把-i input.avi 放到 -ss 前面可以实现精准时间切割,否则，最小时间间隔为8秒左右https://zhuanlan.zhihu.com/p/28008666
9. 学习资料：
   • https://baike.baidu.com/item/ffmpeg/2665727?fr=aladdin
   • https://github.com/Fabsqrt/BitTigerLab/blob/master/SystemDesign/DeepFake/README.md
   • https://www.linuxidc.com/Linux/2016-10/136545.htm

环境配置——第三方库

必要库安装：其他的都问题不大，直接用pip或者是conda安装即可，主要是下面三个比较难搞

• TensorFlow：

  • pip install --ignore-installed —upgrade https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/gpu/tensorflow_gpu-1.4.0-cp35-cp35m-linux_x86_64.whl

• dlib：

  • 如果是仅安装dlib，那么建议多次尝试：conda install -c menpo dlib

• 同时安装 face_recognition,dlib
  综合下面两个教程：

  • https://github.com/davisking/dlib
  • http://www.360doc.com/content/17/1114/15/16619343_703760624.shtml

• OpenCV：如果普通的pip、conda方法不行，尝试下面的方法：

  • 如果普通的pip、conda方法不行，尝试下面的方法：
  • conda install —channel https://conda.anaconda.org/menpo opencv3
  • 如果上面这个方法把OpenCV的依赖包都下完了，就是没下OpenCV，可以用pip单独下一次OpenCV试一下。

• pip：

  • http://www.ttlsa.com/python/how-to-install-and-use-pip-ttlsa/

• 安装结果检查：基本上直接用Python import一下就好了。

• tensorflow检查：

• import tensorflow as tf

• 检查版本：tf.version

• 安装路径: tf.path

• 安装TensorFlow：http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.html

  • 安装TensorFlow和CUDA常见问题：链接底部：http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.html
  • Keras 的两个 Backen：https://morvanzhou.github.io/tutorials/machine-learning/keras/1-3-backend/
  • fakeapp 源码操作视频教程：https://m.weike.fm/lecture/6062924?st=sharelink&inviter_id=54173110

环境配置——操作工具

软件：配色、wget、anaconda、zip、unzip、scp、ssh

• ssh
  ssh -i fenneishi_personal_1.pem root@47.100.229.181 —— 绑定秘钥
  ssh root@47.100.229.181 ——————————————–没有绑定

• 配色方案

• （vim ~/.bashrc ）

• export PS1=’[\e[32m][[\e[35m]\u[\e[m]@[\e[36m]\h [\e[31m]\W[\e[32m]][\e[36m]$[\e[m] ’

• anaconda

  • 下载地址：https://www.anaconda.com/download/#linux
  • 安装教程：（linux）https://docs.anaconda.com/anaconda/install/linux
  • 环境变量：
    • 如果在安装Anaconda的过程中没有将安装路径添加到系统环境变量中，需要在安装后手工添加：
    • 在终端输入$sudo gedit /etc/profile，打开profile文件。
    • 在文件末尾添加一行：export PATH=/home/grant/anaconda2/bin:$PATH，其中，将“/home/grant/anaconda2/bin”替换为你实际的安装路径，保存
  • 安装注意事项：
    • 首先要确保进入了conda建立的隔离环境当中。
    • 在conda隔离环境当中，用pip和pip3是没有差别的，因为如果你的环境是Python3的，那么无论pip3 or pip 都会把包安装到cond下面的Python3中。
    • pip的镜像源默认为阿里云，所以会更快，所以能用pip就用pip,有问题（通常是依赖关系问题）再用conda。

• scp
  scp -r root@101.132.150.5:/root/tiger/congcongphoto congcongphoto

• wget:

  • wget -c http://www.xxx.xxx/xxx(文件的下载链接)
  • 服务器从oss上下载文件非常快，但要注意文件名尽量不要有中文，否则会乱码。
  • 有些网站的下载链接会隐藏起来，你直接右键获取不到真正的下载链接，这时候就要启动一些前端开发者模式
  • -c 的意思是断点续传，最好加上，防止中断。

• oss:
  https://help.aliyun.com/product/31815.html?spm=a2c4g.11186623.3.1.1YQRqF
  Mac文件上传到OSS：直接拖拽即可
  服务器从OSS下载文件：wget -c 即可（速度要求不高时）
  工具下载地址：建议把名字改成oss
  本地化调用配置：把oss 放到PATH变量支持的路径或者修改PATH也行（echo $PATH 查看PATH变量 ）
  先修改权限：chmod 755 ossutilmac64
  配置文件配置：

  • Access Key管理 ：右键头像
    • LTAI6EQI9vrYRRH8

  02Z5bGk3YstFfWqf4VGoCfJ36OIBPD

  • endpoint：https://help.aliyun.com/document_detail/31837.html
    • 阿里云服务器用内网endpoint，非常快，可以达到100MB每秒以上
    • 本地Mac必须要要用外网endpoint。
    • oss-cn-shanghai-internal.aliyuncs.com
    • oss-cn-shanghai.aliyuncs.comf
      使用：
  • 查看帮助：oss help cmd -L CH
  • cp：
    • oss cp pp_photo.zip oss://fenneishi-test/data/photo/pp/
      • 生成：oss://bucket1/b/a
    • oss cp oss://bucket/abcdir/a b/
      • 在目录b下生成文件a
        以上，如果b/文件夹不存在都会新建的，无论是在OSS还是在src

环境配置——硬件

• 迁移CUDNN：

  你还需要设置 LD_LIBRARY_PATH 和 CUDA_HOME 环境变量. 可以考虑将下面的命令 添加到 ~/.bash_profile 文件中, 这样每次登陆后自动生效. 注意, 下面的命令 假定 CUDA 安装目录为 /usr/local/cuda:
  export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"
  export CUDA_HOME=/usr/local/cuda

• linux 检查nvdia驱动
  https://zhidao.baidu.com/question/91751639.html
  查看nvdia 信息：nvidia-smi
  命令行下执行：$ lshw -c video看configurure字段有没有driver字样，若有内容，则显卡驱动装好了。
  直接安装CUDA 会有相应的驱动自动安装的

• GPU驱动安装：

===========
= Summary =
===========

Driver:   Not Selected
Toolkit:  Installed in /usr/local/cuda-9.0
Samples:  Installed in /root, but missing recommended libraries

Please make sure that
 -   PATH includes /usr/local/cuda-9.0/bin
 -   LD_LIBRARY_PATH includes /usr/local/cuda-9.0/lib64, or, add /usr/local/cuda-9.0/lib64 to /etc/ld.so.conf and run ldconfig as root

To uninstall the CUDA Toolkit, run the uninstall script in /usr/local/cuda-9.0/bin

Please see CUDA_Installation_Guide_Linux.pdf in /usr/local/cuda-9.0/doc/pdf for detailed information on setting up CUDA.

***WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 384.00 is required for CUDA 9.0 functionality to work.
To install the driver using this installer, run the following command, replacing <CudaInstaller> with the name of this run file:
    sudo <CudaInstaller>.run -silent -driver

Logfile is /tmp/cuda_install_1247.log
![](https://article.cdnof.com/2104/0f826229-ad28-4e47-a5c0-4b08b626ec92.png)
![](https://article.cdnof.com/2104/135255bd-c423-431c-971a-e3194967146b.png)

环境配置——其他

1. cpu机上充分利用算力：
   https://github.com/lakshayg/tensorflow-build
2. 持续训练：
   关闭云终端shell后，训练能够继续进行
   一直未解决这个问题，但是实际上这个问题很重要，要不然你很有可能会遇到功亏一篑的情况（例如训练一半，断网导致云端shell退出，训练停止，而你不知道，傻等了几个小时，浪费了时间+金钱）
3. 镜像
   阿里云部分GPU服务器无法一键镜像
   使用阿里云GN5i服务器正常，使用gn5，因为默认搞了一个本地盘，导致无法一键镜像，但是应该可以通过进入具体的盘处，操作快照和镜像。
   尽量提前1h 制作镜像。
4. 停机不收费
   阿里云部分机型支出停机不收费，或者很低的费用，好像主要是在CPU环境下，没有仔细研究这块，但是建议如果不用了，就镜像+释放。

bug解除

1、input/alignments.json not read!
解决：在用ffmpeg从视频中提取图片集时，会出现这个/alignments.json。另外，最终用来转换的是原始照片集，不是用deepfake.py extract 出来的大头照。

2、源码参数不调节会把照片中所有人脸全部替换掉，而不是只替换目标人脸。
解决：只出现目标人脸

3、ImportError: libiomp5.so: cannot open shared object file: No such file or directory
解决：猜测是因为云端的英特尔芯片驱动问题，所以直接上了GPU的实例+搭建好的深度学习unbuntu框架.

关键信息