换脸原理,使用GAN网络再造ZAO应用：可变自动编解码器基本原理

从本节开始，我们介绍一种人工智能实现无缝变脸的网络名为可变自动编解码器，英文名称:variational autoencoder。在前面章节中我们曾介绍过，很多事物看起来似乎很复杂，但只要抓住其关键变量，那就等同于抓住事物的本质，例如一个圆柱体，它的关键变量就是底部圆的半径，和高度，掌握了这两个变量的信息，我们可以轻易的将圆柱构造出来。

其实像人脸这种复杂图案，它也包含了对应关键信息，如果能抽取出这些信息，我们就能对人脸图像进行各种平滑变化，而抽取这些信息的责任就得由神经网络来承当。抓取人脸关键信息其实不难，我们只要使用多个卷积网络识别人脸图片，把识别结果转换成一个一维向量，该向量里面的分量其实就是人脸图像的关键信息，在深入人脸变换之前，我们先看一个简单的自动编解码器，首先我们构造编码器，也就是识别输入数据对应的关键信息：

class AutoEncoder():
def __init__(self, input_dim, encoder_conv_filters, encoder_conv_kernel_size, encoder_conv_strides,z_dim,
use_batch_norm = False, use_dropout = False):
'''
input_dim是输入数据的格式，encoder_conv_filters指定每层卷积层包含几个kernel,
encoder_conv_kernel_size指定kernel的大小，encoder_conv_strides指定kernel的跨度，
z_dim表示关键向量的长度
'''
self.input_dim = input_dim
self.encoder_conv_filters = encoder_conv_filters
self.encoder_conv_kernel_size = encoder_conv_kernel_size
self.encoder_conv_strides = encoder_conv_strides
self.z_dim = z_dim
self.use_batch_norm = use_batch_norm
self.use_dropout = use_dropout
self.n_layers_encoder = len(encoder_conv_filters)
self._build() #根据参数构建网络层
def _build(self):
encoder_input