Font VAE
1.0.0
Die VAE haben ein modulares Design. Der Encoder, Decoder und VAE sind 3 Modelle, die Gewichte teilen. Nach dem Training des VAE -Modells kann der Encoder verwendet werden, um latente Vektoren zu generieren. Der Decoder kann verwendet werden, um Schriftbilder zu erzeugen, indem der latente Vektor aus einer Gaußschen Verteilung mit Mittelwert = 0 und STD = 1 abgetastet wird.
| Encoder | Decoder |
|---|---|
 |  |
Datensatzgröße = Zug 5000 und Validierung 1000 pro Klasse
Breite, Höhe = 112, 112
Schriftgröße = 25
verwendete Zeichen
Bilder werden mit font2png.py erzeugt
Schriftarten stammen von Google -Schriftarten
| IDX | Schriftart Name | Beispielbilder |
|---|---|---|
| 0 | Ebgaramond |      |
| 1 | Pt_serif |      |
| 2 | Notosans |      |
| 3 | Roboto |      |
| 4 | Gerecht |      |
| 5 | Banger |      |
| 6 | Pacifico |      |
| 7 | TancingScript |      |
| 8 | Introlata |      |
| 9 | VT323 |      |
| Epoche | 20 | 50 | 200 |
|---|---|---|---|
| Protokoll |  |  |  |
| latenter Raum |  |  |  |
1 Frame = 1 Charge
1 Epoche = 196 Chargen
| Epoche = 1 | Epoche = 2 | Epoche = 3 |
|---|---|---|
 |  |  |
| Epoch = 4 | Epoche = 5 | Epoche = 6 |
 |  |  |
[1] Kingma, Diederik P. und Max Welling. "Automatisch kodierende Variation Bayes."
[2] Keras -Blog: Autocodeer in Keras erstellen
[3] Keras Beispiel: Vae
[4] Erik Bernhardsson. "Analyse von 50.000 Schriftarten mit tiefen neuronalen Netzwerken"
[5] TJ Torres. "Eine fontastische Reise: generative Schriftarten mit kontroversen Netzwerken"
[6] Julien Despois. "Latente Raumvisualisierung - Deep Learning Bits #2"
