sketch-rnn
sketch-rnn 是一个基于 TensorFlow 的开源项目，旨在利用深度学习技术生成矢量风格的草图。它通过结合多层循环神经网络（如 LSTM、GRU）与混合密度网络（Mixture Density Network），学习并模拟 SVG 文件中笔画的路径数据，从而创造出与训练集风格相似的全新矢量图形。
该工具主要解决了传统图像生成模型难以处理矢量路径序列的问题。不同于生成像素图片的模型，sketch-rnn 能够理解绘画的动态过程，包括笔画的起止概率和曲线轨迹，因此生成的结果是可无限缩放且易于编辑的矢量文件，而非位图。
其核心技术亮点在于将概率建模引入序列生成，使模型不仅能模仿形状，还能捕捉人类绘画时的笔触习惯和连贯性。项目中展示的生成果断汉字和动物简笔画案例，证明了其在特定风格数据上的强大表现力。
sketch-rnn 非常适合 AI 研究人员、开发者以及对生成艺术感兴趣的设计师使用。由于项目涉及数据预处理、模型训练参数调整及代码运行，使用者需要具备一定的编程基础（特别是 Python 和 TensorFlow）和机器学习知识。虽然官方提示早期版本已弃用并指向更新实现，但其核心思路仍是探索矢量图形生成的重要参考。
使用场景
一家专注于教育科技的公司正在开发一款辅助儿童学习汉字书写的互动应用，需要大量风格统一且笔顺正确的矢量汉字素材。
没有 sketch-rnn 时
- 素材获取成本极高：设计师必须手动绘制成千上万个汉字矢量图，或花费高昂费用购买版权字体库，开发周期被严重拉长。
- 风格难以统一：不同设计师绘制的笔画粗细、转折角度存在细微差异，导致教学界面中的汉字看起来杂乱无章，影响儿童视觉体验。
- 缺乏动态变化：程序只能机械地重复播放预设的固定动画，无法生成带有自然手写抖动感的“真人书写”效果，显得生硬呆板。
- 数据扩展性差：若需增加生僻字或自定义字符，必须重新经历漫长的人工绘制流程，无法实现按需即时生成。
使用 sketch-rnn 后
- 自动化批量生成：利用 KanjiVG 数据集训练 sketch-rnn，模型能自动学习笔画逻辑并无限生成新的矢量汉字，将素材准备时间从数周缩短至几小时。
- 风格高度一致：sketch-rnn 通过混合密度网络（Mixture Density Network）捕捉训练数据的分布特征，确保生成的所有汉字在笔触风格和结构比例上保持高度统一。
- 拟真手写质感：模型能够模拟人类书写时的自然随机性（如温度参数调节），生成带有轻微笔锋变化和速度感的矢量路径，使教学演示更具亲和力。
- 灵活的内容定制：只需提供少量特定风格的样本数据，sketch-rnn 即可迁移学习到新字符集，轻松支持生僻字或个性化签名的矢量化生成。
sketch-rnn 通过将深度学习与矢量图形结合，把原本依赖人工堆砌的素材生产流程转变为可无限扩展的智能化生成引擎。
运行环境要求
- 未说明
未说明
未说明
快速开始
已弃用
此版本的 sketch-rnn 已被弃用。请参阅 sketch-rnn 的更新版本，它是一个用于矢量绘图的完整生成模型。
sketch-rnn
实现了一种多层循环神经网络（RNN、LSTM、GRU），用于建模和生成以 .svg 矢量图形文件存储的草图。该方法结合了混合密度网络与 RNN，并通过从大量相似的 .svg 文件中学习动态的笔画结束和内容结束概率，来生成与训练数据中的矢量图形相似的绘图。
有关将 sketch-rnn 应用于学习生成矢量格式的假汉字的详细描述，请参阅我的博客文章：blog.otoro.net。
示例训练草图（从 11000 个 KanjiVG 数据集中随机选取 20 个）：
生成的草图（温度 = 0.1）：
基本用法
我在 TensorFlow 0.50 上测试了该实现。我还使用了以下库来辅助：
svgwrite
IPython.display.SVG
IPython.display.display
xml.etree.ElementTree
argparse
cPickle
svg.path
加载训练数据
训练数据位于 data 子目录中。在此仓库中，我包含了 kanji.cpkl，这是一个经过预处理的 KanjiVG 字符数组。
要添加一组新的训练数据，例如来自 TU Berlin Sketch Database 的数据，您需要在 data 目录下创建一个子目录，比如 tuberlin，并在 save 目录中也创建同名的目录。这样您将得到 data/tuberlin/ 和 save/tuberlin，其中 tuberlin 将作为稍后训练和采样程序中标志的名称字段。save/tuberlin 将用于保存后续的检查点模型。
现在，将大量的 .svg 文件放入 data/tuberlin/ 中。您甚至可以在 data/tuberlin/ 内创建子目录，这同样有效，因为 SketchLoader 类会扫描整个子目录树。
目前，sketch-rnn 只处理 .svg 文件中的 path 元素，并且在 path 元素中，它目前只关注直线和贝塞尔曲线。我发现这对于处理 TUBerlin 和 KanjiVG 数据库已经足够，尽管将来扩展到处理其他曲线元素，甚至是形状元素也并不困难。
在 svg 文件复制完成后，您可以使用 utils.py 播放一些随机的训练数据：
%run -i utils.py
loader = SketchLoader(data_filename = 'tuberlin')
draw_stroke_color(random.choice(loader.raw_data))
为了使该算法正常工作，建议数据在大小和风格/内容上尽量相似。例如，如果我们同时包含形状和大小各异的香蕉、建筑物、大象、火箭和昆虫，那么模型很可能会生成毫无意义的内容。
训练模型
加载数据后，我们继续以 tuberlin 为例，可以运行 python train.py --dataset_name tuberlin。
如果您希望尝试不同的参数，可以设置多个标志来进行训练。您可能需要调整这些参数，尤其是缩放因子，以更好地适应您的 .svg 数据的尺寸。
默认值如下所示，在 train.py 中定义：
--rnn_size RNN_SIZE RNN 隐藏状态的大小（256）
--num_layers NUM_LAYERS RNN 的层数（2）
--model MODEL rnn、gru 或 lstm（lstm）
--batch_size BATCH_SIZE 小批量大小（100）
--seq_length SEQ_LENGTH RNN 序列长度（300）
--num_epochs NUM_EPOCHS 训练轮数（500）
--save_every SAVE_EVERY 保存频率（250）
--grad_clip GRAD_CLIP 梯度裁剪值（5.0）
--learning_rate LEARNING_RATE 学习率（0.005）
--decay_rate DECAY_RATE 每轮后的衰减率（使用 adam 优化器）（0.99）
--num_mixture NUM_MIXTURE 高斯混合的数量（24）
--data_scale DATA_SCALE 原始数据的缩放因子（15.0）
--keep_prob KEEP_PROB dropout 的保留概率（0.8）
--stroke_importance_factor F 草图完成事件的梯度提升系数（200.0）
--dataset_name DATASET_NAME 包含训练数据的目录名称（kanji）
采样草图
我在 /save 目录中包含了一个预训练好的模型，因此可以直接使用。运行 python sample.py --filename output --num_picture 10 --dataset_name kanji 将使用预训练好的模型生成一个包含 10 个假汉字的 .svg 文件。请运行 python sample.py --help 查看更多标志，了解如何更改每行的草图数量等设置。
直接查看 sample.py 即可轻松地在 IPython 提示符下交互式生成草图，而无需在命令行中操作。在 IPython 交互式会话中运行 %run -i sample.py 将在 IPython 界面中显示生成的草图，并同时生成一个 .svg 输出文件。
更多有用的链接、指针和数据集
Alex Graves 关于文本序列和手写生成的 论文。
Karpathy 的 char-rnn 工具，这是创建 sketch-rnn 的动机来源。
KanjiVG。 一个非常棒的汉字笔顺数据库。
Sherjil Ozair 编写的非常简洁的 TensorFlow 版本 char-rnn，我正是基于他的代码框架来构建了这部分代码。
svg.path。 我使用这个编写精良的工具将路径数据转换为线段数据。
CASIA 在线与离线中文 手写数据库。 可以下载简体中文行书的笔画数据。
人类是如何绘制草图的？ 柏林工业大学草图数据库。 将这项工作进一步扩展，生成真实事物的随机矢量艺术，将会非常有趣。
哆啦A梦的 SVG 格式文件。
Potrace。 这是一个效果出色的工具，可以将光栅位图绘图转换为 SVG 格式，从而有可能提高绘图的分辨率。 也可以利用它生成大量的训练数据。
贝塞尔曲线代码渲染。 我使用这段非常有用的代码将贝塞尔曲线转换为线段。
许可证
MIT
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
tesseract
Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。 在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中