Font VAE

字體VAE：使用與卷積神經網絡的變量自動編碼器的字體形狀分析

---

VAE架構

VAE具有模塊化設計。編碼器，解碼器和VAE是共享權重的3種型號。訓練VAE模型後，編碼器可用於生成潛在的向量。解碼器可用於通過從平均值= 0和std = 1的高斯分佈中對潛在矢量進行採樣來生成字體圖像。

編碼器	解碼器

---

使用的數據集

數據集尺寸=火車5000＆驗證每個班級1000
寬度，高度= 112，112
字體大小= 25
二手字符=“ aabbccddeeffgghhiijjkklmmnnooppqqrrssttuuvvwwxxyyzz”
圖像是用font2png.py生成的
字體來自Google字體

IDX	字體名稱	示例圖像
0	Ebgaramond
1	pt_serif
2	Notosans
3	機器人
4	正義
5	轟炸機
6	Pacifico
7	Dancingscript
8	Inconsolata
9	VT323

---

創造歷史

時代	20	50	200
紀錄
潛在空間

---

訓練時代的進度

1幀= 1批
1個時代= 196批

時代= 1	時代= 2	時代= 3
時期= 4	時代= 5	時代= 6

---

實驗3尺寸潛在空間

---

參考：

[1] Kingma，Diederik P.和Max Welling。 “自動編碼變分貝葉斯。”
[2] KERAS博客：在Keras建造自動編碼器
[3] keras示例：vae
[4] Erik Bernhardsson。 “使用深神經網絡分析50K字體”
[5] TJ Torres。 “通用航行：具有對抗網絡的生成字體”
[6]朱利安·迪斯托瓦（Julien Despois）。 “潛在空間可視化 - 深度學習位＃2”