VAE มีการออกแบบแบบแยกส่วน ตัวเข้ารหัสตัวถอดรหัสและ VAE เป็น 3 รุ่นที่แบ่งปันน้ำหนัก หลังจากฝึกอบรมโมเดล VAE แล้วตัวเข้ารหัสสามารถใช้ในการสร้างเวกเตอร์แฝง ตัวถอดรหัสสามารถใช้ในการสร้างภาพตัวอักษรโดยการสุ่มตัวอย่างเวกเตอร์แฝงจากการแจกแจงแบบเกาส์ด้วยค่าเฉลี่ย = 0 และ std = 1
| เครื่องเข้ารหัส | ตัวถอดรหัส |
|---|---|
![]() | ![]() |
ชุดข้อมูลขนาด = รถไฟ 5000 & การตรวจสอบ 1,000 ต่อแต่ละชั้นเรียน
ความกว้างความสูง = 112, 112
ขนาดตัวอักษร = 25
ตัวอักษรที่ใช้ = "AABBCCDDEEFFGGHHIIJJKKKLLMMNNOOPPQQRRRSSTTUUVVWWXXYYZZ"
รูปภาพถูกสร้างขึ้นด้วย font2png.py
แบบอักษรมาจาก Google Fonts
| idx | ชื่อตัวอักษร | ตัวอย่างภาพ |
|---|---|---|
| 0 | Ebgaramond | ![]() ![]() ![]() ![]() ![]() |
| 1 | pt_serif | ![]() ![]() ![]() ![]() ![]() |
| 2 | Notosans | ![]() ![]() ![]() ![]() ![]() |
| 3 | หุ่นยนต์ | ![]() ![]() ![]() ![]() ![]() |
| 4 | ชอบธรรม | ![]() ![]() ![]() ![]() ![]() |
| 5 | คนที่น่าจับตามอง | ![]() ![]() ![]() ![]() ![]() |
| 6 | มหาสมุทรแปซิฟิก | ![]() ![]() ![]() ![]() ![]() |
| 7 | นักดำน้ำ | ![]() ![]() ![]() ![]() ![]() |
| 8 | การรวมกัน | ![]() ![]() ![]() ![]() ![]() |
| 9 | VT323 | ![]() ![]() ![]() ![]() ![]() |
| ยุค | 20 | 50 | 200 |
|---|---|---|---|
| บันทึก | ![]() | ![]() | ![]() |
| พื้นที่แฝง | ![]() | ![]() | ![]() |
1 เฟรม = 1 ชุด
1 Epoch = 196 ชุด
| ยุค = 1 | ยุค = 2 | ยุค = 3 |
|---|---|---|
![]() | ![]() | ![]() |
| Epoch = 4 | ยุค = 5 | ยุค = 6 |
![]() | ![]() | ![]() |

[1] Kingma, Diederik P. และ Max Welling "การเข้ารหัสอัตโนมัติ Bayes"
[2] Keras Blog: การสร้างระบบอัตโนมัติใน Keras
[3] Keras ตัวอย่าง: vae
[4] Erik Bernhardsson "การวิเคราะห์แบบอักษร 50K โดยใช้เครือข่ายประสาทลึก"
[5] TJ Torres "A Fontastic Voyage: แบบอักษรกำเนิดที่มีเครือข่ายที่เป็นปฏิปักษ์"
[6] Julien Despois "การสร้างภาพพื้นที่แฝง - บิตการเรียนรู้ลึก #2"