5. VAE

Atividade: Implementação de VAE

Neste exercício, você irá implementar e avaliar um Autoencoder Variacional (VAE) no dataset MNIST ou Fashion MNIST. O objetivo é entender a arquitetura, o processo de treinamento e o desempenho dos VAEs.

Instruções

1. Preparação dos Dados:

   • Carregue o dataset MNIST/Fashion MNIST;
   • Normalize as imagens para o intervalo [0, 1];
   • Divida o dataset em conjuntos de treino e validação.

2. Implementação do Modelo:

   • Defina a arquitetura do VAE, incluindo as redes de encoder e decoder;
   • Implemente o truque de reparametrização.

3. Treinamento:

   • Treine o VAE no dataset MNIST/Fashion MNIST;
   • Monitore a perda e gere reconstruções durante o treinamento.

4. Avaliação:

   • Avalie o desempenho do VAE no conjunto de validação;
   • Gere novas amostras a partir do espaço latente aprendido.

5. Visualização:

   • Visualize imagens originais e reconstruídas;
   • Visualize o espaço latente (em caso de espaço latente até 3D, caso contrário use visualização reduzida, ex: t-SNE, UMAP ou PCA).

6. Relatório:

   • Resuma suas descobertas, incluindo desafios enfrentados e insights obtidos;
   • Inclua visualizações de reconstruções e espaço latente.

7. Crédito Extra (Opcional):

   • Experimente o mesmo dataset com um Autoencoder (AE) e compare os resultados com o VAE;
   • Experimente com diferentes dimensões do espaço latente e reporte os efeitos na qualidade de reconstrução e geração de amostras.

Notas Importantes:

• O entregável deve ser enviado em GitHub Pages. Existe um template do curso — template;
• O prazo não é estendido — NENHUMA EXCEÇÃO para entregas atrasadas.
• Colaboração com IA é permitida, mas o aluno DEVE ENTENDER e explicar todo o código. PROVAS ORAIS podem ser realizadas.

Critérios de Nota: