Font VAE

字体VAE：使用与卷积神经网络的变量自动编码器的字体形状分析

---

VAE架构

VAE具有模块化设计。编码器，解码器和VAE是共享权重的3种型号。训练VAE模型后，编码器可用于生成潜在的向量。解码器可用于通过从平均值= 0和std = 1的高斯分布中对潜在矢量进行采样来生成字体图像。

编码器	解码器

---

使用的数据集

数据集尺寸=火车5000＆验证每个班级1000
宽度，高度= 112，112
字体大小= 25
二手字符=“ aabbccddeeffgghhiijjkklmmnnooppqqrrssttuuvvwwxxyyzz”
图像是用font2png.py生成的
字体来自Google字体

IDX	字体名称	示例图像
0	Ebgaramond
1	pt_serif
2	Notosans
3	机器人
4	正义
5	轰炸机
6	Pacifico
7	Dancingscript
8	Inconsolata
9	VT323

---

创造历史

时代	20	50	200
日志
潜在空间

---

训练时代的进度

1帧= 1批
1个时代= 196批

时代= 1	时代= 2	时代= 3
时期= 4	时代= 5	时代= 6

---

实验3尺寸潜在空间

---

参考：

[1] Kingma，Diederik P.和Max Welling。 “自动编码变分贝叶斯。”
[2] KERAS博客：在Keras建造自动编码器
[3] keras示例：vae
[4] Erik Bernhardsson。 “使用深神经网络分析50K字体”
[5] TJ Torres。 “通用航行：具有对抗网络的生成字体”
[6]朱利安·迪斯托瓦（Julien Despois）。 “潜在空间可视化 - 深度学习位＃2”