Convolutional Variational AutoEncoder (VAE)

Convolutional Variational AutoEncoder (VAE) Variational Autoencoder (VAE) for Handwritten Digit Generation Project Overview هذا المشروع عبارة عن تنفيذ عملي لنموذج Variational Autoencoder (VAE) باستخدام مكتبة Keras مع Backend من TensorFlow. النموذج تم تدريبه على بيانات الأرقام المكتوبة يدويًا من قاعدة بيانات MNIST، بهدف تعلم تمثيل كامن (Latent Representation) ثنائي الأبعاد يمكن من خلاله توليد أرقام جديدة لم تكن موجودة في البيانات الأصلية. Architecture Details Encoder Convolutional Neural Network (CNN) يقوم بتحويل الصورة (28×28) إلى: z_mean z_log_var استخدام Reparameterization Trick عبر طبقة Sampling Latent Space أبعاد الـ Latent Space = 2 يسمح بتصور التمثيل الكامن بصريًا وفهم كيفية توزيع الأرقام ? Decoder يستخدم Dense + Conv2DTranspose يعيد بناء الصورة من المتجه الكامن Activation: Sigmoid لإخراج صورة بقيم بين 0 و1 Loss Function تم استخدام: Reconstruction Loss (Binary Crossentropy) KL Divergence Loss المعادلة النهائية: Total Loss = Reconstruction Loss + KL Divergence وده بيخلي النموذج: يعيد بناء الصورة بدقة ويجبر التوزيع الكامن يكون قريب من التوزيع الطبيعي Gaussian Results النموذج تعلم توزيع الأرقام بنجاح يمكن توليد أرقام جديدة عبر التحرك داخل الـ Latent Space تم عمل: Visualization لشبكة التوليد رسم توزيع الأرقام داخل الـ Latent Space Skills Demonstrated Deep Learning Generative Models CNN Architecture Custom Training Loop في Keras KL Divergence Implementation Latent Space Visualization