卷积自编码器（Convolutional Autoencoder）的一个实验

1、卷积自编码器（CAE）的简单介绍

卷积自编码器是自编码器方法的一种延伸，自编码器包括编码和解码，通过将输入的图像进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码（重建的过程）获得输入的重建样本。自编码一般使用NN网络做编码和解码器，卷积自编码器利用卷积网络对图像特征抽取和表示的优异性能，来代替自编码器的NN网络。

当然，很多人也使用MNIST等数据集，使用CAE做图像去噪等。本文使用CAE做一个人表情图像和其他数据集图像的重建实验，实验的效果没有想象中的那么理想，很大原因，我只是直接拷贝github上的参考代码，源代码有一些报错，做了简单的修改，就没有做参数和框架的改进..........

CAE

2、实验情况

在百度图库中找了12张人脸表情图片，resize到256x256大小，输入CAE网络迭代了1000步，效果很差，和DCGAN没法比。如下图：左边是原图，右边是重建的效果图。 也用了其他的图库做了实验，就不一一放上去了。

  

这个和参考资料对比，效果有点差的，应该是我只用12张image，并且迭代的步数也太少。下面附上参考资料的效果： 

3、代码

代码实在参考资料上修改的，基于TensorFlow下的tflearn库实现的，现在常用的keras库很像这个库，不过还是推荐使用keras。

代码：https://github.com/Eatzhy/Convolution_autoencoder-