人脸生成黑科技：使用VAE网络实现人脸生成

上一节我们描述了VAE网络的数学原理，特别强调了它能把输入数据隐射到一个区域内，这种特性带来一个特点是，如果将两个不同数据输入网络得到两个区间，这两个区间要是有重合的话，我们在重合的区域内取一点让解码器进行还原，那么被还原的数据就有可能兼具两个输入数据的特点融合，就好像孩子兼具爸爸与妈妈的特征那样，这点特性在人脸生成上大有用场。

这次我们使用CelebA数据集来训练VAE网络，该数据集包含了将近200000张人脸图像，这次我们使用的网络结构与上一节相差不大，只是在细节上要做一些改变。在上节我们网络识别的数字图片是单值灰度图，这次我们要处理RGB图像，同时由于人脸蕴含的特征远远超过数字图片，因此编码器输出的关键向量维度要从2提升到200以上；第三，为了让网络训练速度加快，我们需要在卷积层输出数据上进行呈批的正规化处理；第四，在损失函数的相关参数上要根据经验进行手动调整。

首先我们先在上一节代码的基础上构造本节需要使用的网络实例：

vae = VariationalEncoder(input_dim = [128, 128, 3], 
                         encoder_conv_filters = [32, 64, 64, 64], 
                         encoder_conv_kernel_size = [3,3,3,3], 
                         encoder_conv_strides = [2, 2, 2, 2], 
                         z_dim = 200,
                         decoder_conv_t_filters = [64,64,64,32], 
                         decoder_conv_t_kernel_size = [3,3,3,3] ,
                         decoder_conv_t_strides = [2,2,2,2],
                         use_batch_norm = True,