Font VAE

Fonte-VAE: Análise de forma de fonte usando autoencoder variacional com redes neurais convolucionais

---

Arquitetura VAE

O VAE tem um design modular. O codificador, o decodificador e a VAE são 3 modelos que compartilham pesos. Depois de treinar o modelo VAE, o codificador pode ser usado para gerar vetores latentes. O decodificador pode ser usado para gerar imagens de fonte, amostrando o vetor latente a partir de uma distribuição gaussiana com média = 0 e std = 1.

codificador	decodificador

---

DataSet usado

tamanho do conjunto de dados = trem 5000 e validação 1000 por cada classe
largura, altura = 112, 112
Tamanho da fonte = 25
caracteres usados ​​= "aabbccddeeffgghhiijjkkllmnnooppqqrrssttuvwwxxyyzz"
As imagens são geradas com font2png.py
Fontes são do Google Fontes

idx	Nome da fonte	Exemplo de imagens
0	Ebgaramond
1	Pt_serif
2	Notosanos
3	Roboto
4	Justo
5	Bangers
6	Pacifica
7	Dancingscript
8	Inconsolata
9	VT323

---

Trainging History

época	20	50	200
registro
espaço latente

---

Progresso de treinamento em épocas

1 quadro = 1 lote
1 época = 196 lotes

Epoch = 1	Epoch = 2	Epoch = 3
Epoch = 4	Epoch = 5	Epoch = 6

---

Experimente o espaço latente de três dimensões

---

Referências:

[1] Kingma, Diederik P. e Max Welling. "Bayes variacionais de codificação automática".
[2] Keras Blog: Construindo Autoencoders em Keras
[3] Keras Exemplo: VAE
[4] Erik Bernhardson. "Analisando fontes de 50k usando redes neurais profundas"
[5] TJ Torres. "Uma viagem fontástica: fontes generativas com redes adversárias"
[6] Julien despois. "Visualização do espaço latente - bits de aprendizado profundo #2"