神經(jīng)網(wǎng)絡這樣的數(shù)據(jù)驅動算法，已經(jīng)狂風暴雨般的席卷了世界，包括廉價且強大的硬件和大量的數(shù)據(jù)等方面的因素，導致AI技術的突飛猛進。

　　神經(jīng)網(wǎng)絡是當前“圖像識別”、“自然語言理解”等“認知”領域的最新技術，但其應用并不限于這些。在這篇文章中，我們將討論一種使用神經(jīng)網(wǎng)絡壓縮圖像的方法，該方法能以更快的速度，達到圖像壓縮技術的最優(yōu)化。

　　該文基于論文：An End-to-End CompressionFramework Based on Convolutional Neural Networks（https://arxiv.org/pdf/1708.00838v1.pdf）

　　本文假設，你對包括卷積和損失函數(shù)等神經(jīng)網(wǎng)絡有一定了解。

　　▍什么是圖像壓縮？

　　圖像壓縮是將圖像轉換為更小占用空間的過程。原始圖像存儲將占用大量空間，因此會使用編解碼器減小原始圖像的大小，例如JPEG和PNG。

　　圖像壓縮有兩種類型：無損和有損。

　　顧名思義，在無損壓縮中，可能獲取原始圖像的所有數(shù)據(jù)，而在有損壓縮中，一些數(shù)據(jù)在轉換過程中丟失。

　　例如：JPG是一種有損算法，而PNG是一種無損算法。

　　圖1.0：無損和有損壓縮之間的比較

　　能看到右邊的圖像有許多塊狀的紋路，這就是信息的丟失。相似顏色的臨近像素被壓縮為一個區(qū)塊，這節(jié)省了空間，但也丟失了關于實際像素的信息。

　　圖示只是有損壓縮的直觀示例，真實的JPEG，PNG等編解碼器所使用的算法要復雜得多。無損壓縮當然更好，但最終在磁盤上占用的空間太多。

　　當然，有更好的方法壓縮圖像而不會丟失太多的信息，但是它們相當慢，許多算法使用迭代的方式，這意味著它們不能在多個CPU內核或GPU上并行運行。這使得這些算法在日常使用中不實用。

　　▍卷積神經(jīng)網(wǎng)絡

　　如果任務需要計算，且可以近似計算，就可以考慮使用神經(jīng)網(wǎng)絡。論文作者使用了相當標準的卷積神經(jīng)網(wǎng)絡來改善圖像壓縮。他們的方法不僅僅是“更好的方式”，還可以利用并行計算，實現(xiàn)高速壓縮。

　　其背后原理是卷積神經(jīng)網(wǎng)絡（CNN），能很好地從圖像中提取空間信息，然后以更緊湊的表征來表示（例如，僅存儲圖像的“重要”位點）。論文作者利用CNN的這種能力來更好地壓縮、展示圖像。

　　▍架構

　　論文提出了一個雙重網(wǎng)絡。第一層網(wǎng)絡（ComCNN）提取圖像信息并生成一個致密表征。然后，該網(wǎng)絡的輸出將由標準編解碼器（例如JPEG）來處理。

　　經(jīng)過編解碼器后，圖像將被傳遞到第二層網(wǎng)絡，該層網(wǎng)絡將從編解碼器“修復”圖像，試圖恢復原始圖像。作者稱之為重建卷積神經(jīng)網(wǎng)絡（RecCNN）。這兩個網(wǎng)絡都經(jīng)迭代訓練，類似生成對抗網(wǎng)絡（GAN）。