Font VAE

FONT-VAE: Analyse de forme de police utilisant un autoencodeur variationnel avec des réseaux de neurones convolutionnels

---

Architecture VAE

Le VAE a un design modulaire. L'encodeur, le décodeur et la VAE sont 3 modèles qui partagent des poids. Après avoir entraîné le modèle VAE, le codeur peut être utilisé pour générer des vecteurs latents. Le décodeur peut être utilisé pour générer des images de police en échantillonnant le vecteur latent à partir d'une distribution gaussienne avec moyenne = 0 et std = 1.

encodeur	décodeur

---

Ensemble de données utilisé

Taille de l'ensemble de données = Train 5000 et validation 1000 pour chaque classe
largeur, hauteur = 112, 112
taille de police = 25
caractères utilisés = "aabbccddeeffgghhiijjkkllmmnnooppqqrrssttuuvvwwxxyyzz"
Les images sont générées avec font2png.py
Les polices proviennent des polices Google

idx	nom de police	Exemples d'images
0	Ebgaramond
1	Pt_serif
2	Notosans
3	Roboto
4	Vertueux
5	Bangeurs
6	Pacifico
7	Dancingcript
8	Inconsolata
9	VT323

---

Trager l'histoire

époque	20	50	200
enregistrer
espace latent

---

Formation des progrès dans les époques

1 cadre = 1 lot
1 époque = 196 lots

époque = 1	époque = 2	époque = 3
époque = 4	époque = 5	époque = 6

---

Expérimentez avec 3 espaces latents dimensionnels

---

Références:

[1] Kingma, Diederik P. et Max Welling. "Bayes variationnel en codage automatique."
[2] Blog Keras: Construire des autoencoders à Keras
[3] Keras Exemple: VAE
[4] Erik Bernhardsson. "Analyser des polices de 50K en utilisant des réseaux de neurones profonds"
[5] TJ Torres. "A Fontastic Voyage: Polices génératives avec des réseaux contradictoires"
[6] Julien Despois. "Visualisation de l'espace latente - bits d'apprentissage en profondeur # 2"