以下人臉變換都是由AI經過訓練後生成：
小哥向你微微笑：
大叔秒變魅力高：
如花一起來相會：
鮮肉招展浪滔滔：
我要在唐朝，也許也是詩人吧。。。
言歸正傳，以上人臉轉換是通過如下過程得到：
- 使用CelebA數據集訓練一個VAE
- 使用第一步得到的VAE對訓練集計算出屬性向量，比如把所有男性人臉圖片輸入encoder，算出一個平均值，再把所有女性人臉輸入encoder，算出一個平均值，兩者的差就是男女屬性的向量
- 把原圖輸入encoder，把得到的向量減去（如果向相反的方向變化就加上）屬性向量，再輸入到decoder，就得到了屬性轉換後的圖片。
所有代碼保存在我的github項目seasonyc/face_vae，裏面對如何使用和源文件已經做了簡短說明，此處不再贅述。因爲有些文件是多個項目公用，所以一些代碼可能並沒有在VAE中使用。
爲了方便處理CelebA數據集，項目使用tensorflow和tensorflow內置的Keras，tf.dataset API創建數據源，tf.keras創建網絡結構並進行訓練。創建數據源時，先使用dataset.cache()把所有圖片源文件緩存在內存中，再實時解碼和進行一些預處理得到每一個mini-batch，通過多使用一些內存來減少硬盤的訪問，這樣可以縮短一半的訓練時間，另外這樣還可以得到更平穩的GPU使用率。當然，我的電腦仍舊是機械尋道的硬盤，如果使用固態硬盤，也許並不需要這般操作。有關使用df.dataset創建高效流水線以及更全面的深度學習性能指南，請參考DenseNet性能分析。