fakeapp中文版是一款黑火黑火的换脸软件。fakeapp破解版已完美解锁fakeapp换脸过程中所有收费功能，轻松实现自动分割、转换和拼接视频帧等等功能，减少视频中人脸更换后所出现的瑕疵，快速一键批量更换视频帧中的每张人脸，采用小白模式，无需太多经验即可快速上手。
fakeapp换脸程序是一款国外很火的Deepfake用户用人工智能技术进行视频换脸的软件，就是目前所说的deepfake视频，就是用这款软件制作的，不过目的性就有些邪恶了。制作视频需要一定的技术，但自从出现这款名为“FakeApp”的软件，在很大程度上降低了进入门槛，让几乎所有人都能利用它来制作虚假视频，只要会安装应用可以这么理解。
FakeApp可以通过发布频繁的损失值和培训预览，轻松实时观察受过培训的人工智能的进度。
FakeApp通过自动分割，转换和拼接视频帧，减少了将视频中的人脸转换为单个按钮过程的任务。
FakeApp依赖于神经网络，这种网络的训练成本非常高。尽管它们有成本，但训练神经网络的过程是高度可并行的。出于这个原因，大多数机器学习框架（如Keras和TernsorFlow）可以分派在计算GPU。GPU代表 图形处理单元，是机器内部通常处理图形输入的芯片。
GPU被设计为并行执行操作，因此它们非常适合训练建立在并行工作的独立神经元上的神经网络。FakeApp使用TensorFlow，一种机器学习框架，支持使用NVIDIA显卡进行GPU加速计算。但是，在使用它之前，您需要安装CUDA®，这是一个将密集计算委派给NVIDIA GPU的并行计算平台。
检查你的显卡。 并非NVIDIA的所有显卡都集成了对GPU计算的支持。您可以检查您的GPU是否兼容访问CUDA GPU列表。任何计算能力大于或等于3.0的图形卡都可以使用。
安装CUDA®Toolkit9.0， 官网直接去下载。确保为CUDA和操作系统选择正确的版本。
您可以选择您喜欢的任何安装程序类型。“exe（local）”将首先下载整个安装程序。该文件相当大，所以准备等待。
在安装过程中，选择“自定义”选项并选择其所有组件。
**安装cuDNN。**虽然CUDA®Toolkit提供了GPU计算所需的基本工具集，但它不包括某些特定任务的库。ML-Agents使用强化学习来训练神经网络。因此，您还需要下载CUDA®对深度神经网络的支持，也称为cuDNN。
下载cuDNN需要登录。您可以作为NVIDIA开发者免费注册，然后再次访问该网页以访问下载链接。FakeApp适用于cuDNN 7，因此请务必选择正确的版本。
本人Cuda版本：V9.0.176（我是成功实现FakeApp的使用，所以在配置上如果你不能准确配置，请和我的一样）
2、安装FakeApp
尽管仍需要一些配置，但安装FakeApp是最简单的步骤。可以下拉到下载区域进行下载安装程序。
您需要下载两个文件。一个是FakeApp二进制文件的实际安装程序，而另一个名为core.zip，包含它所需的所有依赖项。解压缩后，其所有内容都应合并到C:\Users[USER]\AppData\Local\FakeApp\app-2.2.0\resources\api 文件夹，它应如下所示：
如果一切正常，您现在应该可以使用FakeApp。
为了训练您的模型，FakeApp需要大量的图像数据集。除非您已经选择了数百张图片，否则FakeApp会提供一个便捷功能，可以从视频中提取所有帧。这可以在GET DATASET选项卡中完成。您只需指定mp4视频的链接即可。单击EXTRACT将启动该过程。
如果您的原始视频名为movie.mp4，则会在名为dataset-video的文件夹中提取这些帧。在里面，会有另一个名为extract的文件夹 ，其中包含准备在训练过程中使用的对齐图像。您可能还会看到一个名为alignments.json的文件，该文件为每个对齐的帧指示其在提取它的图像中的原始位置。
提取过程完成后，您唯一需要的是 extract 文件夹; 你可以删除所有其他文件。在继续下一步之前，只需确保对齐的面确实对齐（下图）。面部检测经常失败，因此需要一些手动工作。
理想情况下，您需要的是人A的视频和人B的视频。然后，您需要运行该过程两次，以获得两个文件夹。如果您有同一个人的多个视频，请提取所有这些视频合并文件夹。或者，您可以使用Movie Maker或等效程序依次附加视频。
2、训练
在FakeApp中，您可以从TRAIN选项卡训练您的模型。在数据A和数据B下， 您需要复制解压缩文件夹的路径。按照惯例，数据A是从背景视频中提取的文件夹，数据B包含要插入数据A视频的人物的面部。训练过程将人A的面部转换为人B。实际上，神经网络在两个方向上工作; 你选择哪一个和你选择哪一个并不重要。
您还需要一个模型文件夹。如果这是您第一次从A人训练到B人，您可以使用空文件夹。FakeApp将使用它来存储训练好的神经网络的参数。
在开始此过程之前，需要设置训练设置。红色，下面，表示参考培训过程的那些。节点和层 用于配置神经网络; 批量大小用于在更多数量的面上训练它。
如果您的GPU的RAM少于2GB，那么您可以运行的最高设置可能是：
您必须根据GPU上可用的内存量来调整设置。这些是您通常应该运行的推荐设置，尽管这可能因您的型号而异。如果内存不足，则该过程将失败。
监控进度。 在训练时，您将看到一个窗口，显示神经网络的执行情况。
您可以随时按Q停止培训过程。要恢复它，只需使用与模型相同的文件夹再次启动它。FakeApp还显示一个分数，表示在尝试将人A重建为B而人B重建为A时所犯的错误。低于0.02的值通常被认为是可接受的。（至少15个小时以上）
3、创作
创建视频的过程与GET DATASET中的过程非常相似。您需要提供mp4视频的路径以及模型的文件夹。这是一个包含文件的文件夹：encoder.h5，decoder_A.h5 和decoder_B.h5。您还需要指定目标FPS。
按CREATE将自动：
1）从workdir-video 文件夹中的源视频中提取所有帧，
2）裁剪所有面并在workdir-video / extracted 文件夹中对齐它们，裁剪所有面并在workdir-video / extracted 文件夹中对齐它们,
3）使用训练过的模型处理每个面部，使用训练过的模型处理每个面部，
4）将面合并回原始帧并将它们存储在workdir-video / merged 文件夹中，将面合并回原始帧并将它们存储在workdir-video / merged 文件夹中，
5）加入所有帧以创建最终视频。加入所有帧以创建最终视频。
在设置（下方）中，可以选择是否要将人A转换为人B（A至B）或人B转换为人A（B至A）。
fakeapp使用非常简单，容易上手，但是想要把视频处理的干净利落，则需要3天以上的时间。
fakeapp怎么暂停？
点住训练框按Q直接就关了，重新打开后输入上次同样的路径会继续训练。
-自动更新
-新增图片数据集
-修复了没脸的错误
-新增合并选项
-升级到TenserFlow1.5、CUDA9
【基本介绍】
Fakeapp换脸软件是一款可以将视频中人脸替换的小工具，如果你在一部影片中看到想要替换人脸的角色，可以使用这款直接一键安装到电脑上使用的FakeApp进行换脸编辑，不需要多余的操作直接选定文件即可。fakeapp换脸程序是一款国外很火的Deepfake用户用人工智能技术进行视频换脸的软件，就是目前所说的deepfake视频，就是用这款软件制作的，不过目的性就有些邪恶了。制作视频需要一定的技术，但自从出现这款名为“FakeApp”的软件，在很大程度上降低了进入门槛，让几乎所有人都能利用它来制作虚假视频，只要会安装应用可以这么理解。
【软件特点】
FakeApp可以在几分钟内从图像集和视频轻松创建出数千张图像的强大，多样化的数据集。FakeApp可以通过发布频繁的损失值和培训预览，轻松实时观察受过培训的人工智能的进度。
FakeApp通过自动分割，转换和拼接视频帧，减少了将视频中的人脸转换为单个按钮过程的任务。
【fakeapp安装教程】
fakeapp中文版怎么安装？
1、 安装NVidia CUDA9FakeApp依赖于神经网络，这种网络的训练成本非常高。尽管它们有成本，但训练神经网络的过程是高度可并行的。出于这个原因，大多数机器学习框架（如Keras和TernsorFlow）可以分派在计算GPU。GPU代表 图形处理单元，是机器内部通常处理图形输入的芯片。
GPU被设计为并行执行操作，因此它们非常适合训练建立在并行工作的独立神经元上的神经网络。FakeApp使用TensorFlow，一种机器学习框架，支持使用NVIDIA显卡进行GPU加速计算。但是，在使用它之前，您需要安装CUDA®，这是一个将密集计算委派给NVIDIA GPU的并行计算平台。
检查你的显卡。 并非NVIDIA的所有显卡都集成了对GPU计算的支持。您可以检查您的GPU是否兼容访问CUDA GPU列表。任何计算能力大于或等于3.0的图形卡都可以使用。
安装CUDA®Toolkit9.0， 官网直接去下载。确保为CUDA和操作系统选择正确的版本。
您可以选择您喜欢的任何安装程序类型。“exe（local）”将首先下载整个安装程序。该文件相当大，所以准备等待。
在安装过程中，选择“自定义”选项并选择其所有组件。
**安装cuDNN。**虽然CUDA®Toolkit提供了GPU计算所需的基本工具集，但它不包括某些特定任务的库。ML-Agents使用强化学习来训练神经网络。因此，您还需要下载CUDA®对深度神经网络的支持，也称为cuDNN。
下载cuDNN需要登录。您可以作为NVIDIA开发者免费注册，然后再次访问该网页以访问下载链接。FakeApp适用于cuDNN 7，因此请务必选择正确的版本。
本人Cuda版本：V9.0.176（我是成功实现FakeApp的使用，所以在配置上如果你不能准确配置，请和我的一样）
2、安装FakeApp
尽管仍需要一些配置，但安装FakeApp是最简单的步骤。可以下拉到下载区域进行下载安装程序。
您需要下载两个文件。一个是FakeApp二进制文件的实际安装程序，而另一个名为core.zip，包含它所需的所有依赖项。解压缩后，其所有内容都应合并到C:\Users[USER]\AppData\Local\FakeApp\app-2.2.0\resources\api 文件夹，它应如下所示：
如果一切正常，您现在应该可以使用FakeApp。
【fakeapp使用教程】
fakeapp怎么使用？
1、提取为了训练您的模型，FakeApp需要大量的图像数据集。除非您已经选择了数百张图片，否则FakeApp会提供一个便捷功能，可以从视频中提取所有帧。这可以在GET DATASET选项卡中完成。您只需指定mp4视频的链接即可。单击EXTRACT将启动该过程。
如果您的原始视频名为movie.mp4，则会在名为dataset-video的文件夹中提取这些帧。在里面，会有另一个名为extract的文件夹 ，其中包含准备在训练过程中使用的对齐图像。您可能还会看到一个名为alignments.json的文件，该文件为每个对齐的帧指示其在提取它的图像中的原始位置。
提取过程完成后，您唯一需要的是 extract 文件夹; 你可以删除所有其他文件。在继续下一步之前，只需确保对齐的面确实对齐（下图）。面部检测经常失败，因此需要一些手动工作。
理想情况下，您需要的是人A的视频和人B的视频。然后，您需要运行该过程两次，以获得两个文件夹。如果您有同一个人的多个视频，请提取所有这些视频合并文件夹。或者，您可以使用Movie Maker或等效程序依次附加视频。
2、训练
在FakeApp中，您可以从TRAIN选项卡训练您的模型。在数据A和数据B下， 您需要复制解压缩文件夹的路径。按照惯例，数据A是从背景视频中提取的文件夹，数据B包含要插入数据A视频的人物的面部。训练过程将人A的面部转换为人B。实际上，神经网络在两个方向上工作; 你选择哪一个和你选择哪一个并不重要。
您还需要一个模型文件夹。如果这是您第一次从A人训练到B人，您可以使用空文件夹。FakeApp将使用它来存储训练好的神经网络的参数。
在开始此过程之前，需要设置训练设置。红色，下面，表示参考培训过程的那些。节点和层 用于配置神经网络; 批量大小用于在更多数量的面上训练它。
如果您的GPU的RAM少于2GB，那么您可以运行的最高设置可能是：
您必须根据GPU上可用的内存量来调整设置。这些是您通常应该运行的推荐设置，尽管这可能因您的型号而异。如果内存不足，则该过程将失败。
监控进度。 在训练时，您将看到一个窗口，显示神经网络的执行情况。
您可以随时按Q停止培训过程。要恢复它，只需使用与模型相同的文件夹再次启动它。FakeApp还显示一个分数，表示在尝试将人A重建为B而人B重建为A时所犯的错误。低于0.02的值通常被认为是可接受的。（至少15个小时以上）
3、创作
创建视频的过程与GET DATASET中的过程非常相似。您需要提供mp4视频的路径以及模型的文件夹。这是一个包含文件的文件夹：encoder.h5，decoder_A.h5 和decoder_B.h5。您还需要指定目标FPS。
按CREATE将自动：
1）从workdir-video 文件夹中的源视频中提取所有帧，
2）裁剪所有面并在workdir-video / extracted 文件夹中对齐它们，裁剪所有面并在workdir-video / extracted 文件夹中对齐它们,
3）使用训练过的模型处理每个面部，使用训练过的模型处理每个面部，
4）将面合并回原始帧并将它们存储在workdir-video / merged 文件夹中，将面合并回原始帧并将它们存储在workdir-video / merged 文件夹中，
5）加入所有帧以创建最终视频。加入所有帧以创建最终视频。
在设置（下方）中，可以选择是否要将人A转换为人B（A至B）或人B转换为人A（B至A）。
【fakeapp配置要求】
硬件和操作系统，支持cuda的 Nvidia 显卡，8G及以上的内存，Windows10 x64【常见问题】
fakeapp训练时间多长？fakeapp使用非常简单，容易上手，但是想要把视频处理的干净利落，则需要3天以上的时间。
fakeapp怎么暂停？
点住训练框按Q直接就关了，重新打开后输入上次同样的路径会继续训练。
【更新日志】
2.2-自动更新
-新增图片数据集
-修复了没脸的错误
-新增合并选项
-升级到TenserFlow1.5、CUDA9
