本文转载自http://www.sohu.com/a/131656765_642762
论文名称《Age Progression/Regression by Conditional Adversarial Autoencoder》2017 CVPR
论文地址：
该代码是对论文《用条件对抗式自动编码器进行人脸老化、退龄》中算法的Tensorflow实现
环境要求
·Python 2.7x
·Scipy
·TensorFlow
数据库
·FGNET
·MORPH
地址：https://ebill.uncw.edu/C20231_ustores/web/product_detail.jsp?PRODUCTID=8
·CACD
地址：http://bcsiriuschen.github.io/CARC/
·UTKFace (可以从Github 或维基百科获得)
准备训练数据你可以使用任何带年龄标签和性别标签的数据库。在该demo中，我们使用了UTF人脸数据库，因为用这种标定并裁剪过的人脸照片更好一些。请保存并解压UTKFace.tar.gz到文件夹data下。
训练
$ python main.py
训练过程在NVIDIA TITAN X (12GB)上进行了测试。在UTK人脸数据库（23，708张图像，大小为128x128x3）上进行50次epoch的训练时间是两个半小时。
在训练过程中，会建立一个新文件夹save，包括四个子文件夹：summary, samples, test,和checkpoint
·samples ：保存每个epoch之后重建的人脸。
·test ：保存每个epoch之后的测试结果（基于输入人脸生成的不同年龄的人脸）。
·checkpoint ：保存模型。
·summary ：保存批损失和中间输出。
用以下命令来可视化summary：
$ cd save/summary
$ tensorboard --logdir .
训练之后，可以检查文件夹samples和test来分别可视化重建和测试性能。下图展示了重建（左）和测试（右）的结果。重建结果（左）的第一行是测试样例，他们分别对应的测试结果（右）由上到下，按年龄增长顺序排列。
不同训练epoch和重建损失的对比如下图所示，为了可视化的目的我们对它进行了低通滤波。原始的记录保存在summary文件夹中。
测试$ python main.py --is_train False --testdir your_image_dir
输入命令之后，应该显示出下面的信息：
Building graph ...
TestingMode
Loadingpre-trained model ...
SUCCESS^_^
Done! Results are saved as save/test/test_as_xxx.png
具体来说，测试人脸会进行两次处理，这两次分别将其视作男性和女性。因此，保存的文件会分别命名为test_as_male.png（作为男性测试） 和 test_as_female.png（作为女性测试）。如果想实现更好的结果，需要在更大并更多样化的数据集上进行训练。
训练过程演示第一行显示了不同年龄的输入人脸，其他行显示了每次epoch之后输出人脸的提高。输出人脸由上到下按年龄递增顺序排列。
文件
·FaceAging.py ：类文件，建立并初始化模型，并且实现训练和测试的相关事项。
地址：https://github.com/ZZUTK/Face-Aging-CAAE/blob/master/FaceAging.py
·ops.py ：由FaceAging.py的函数组成，实现卷积，反卷积，全卷积，leaky ReLU激活函数，下载并保存图像等操作。
地址：https://github.com/ZZUTK/Face-Aging-CAAE/blob/master/ops.py
·main.py ：演示 FaceAging.py。
https://github.com/ZZUTK/Face-Aging-CAAE/blob/master/main.py