我对可变自动编码器有疑问。我使用了这段代码（http://louistiao.me/listings/vae/variational_autoencoder.py.html），并将2“ from keras.datasets import mnist”更改为“ from keras.datasets import fashion_mnist”，以将fashion_mnist用作数据集。
现在我有一个问题，就是我对潜在空间的结果不满意。不同类别之间存在差距（见图1）。
Figure 1: Result with initial Architecture
然后我在编码器和解码器上增加了两个额外的层，并得到了差距较小的结果（见图2）
Figure 2: Result with changes Architecture。
在这里您可以看到我如何编码附加层：
decoder = Sequential()
decoder.add(Dense(intermediate_dim2, input_dim = latent_dim, activation='relu'))
decoder.add(Dense(intermediate_dim1, input_dim = intermediate_dim2, activation='relu'))
decoder.add(Dense(intermediate_dim, input_dim = intermediate_dim1, activation='relu'))
decoder.add(Dense(original_dim, activation='sigmoid'))
#Encoder Architecture
x = Input(shape=(original_dim,))
h = Dense(intermediate_dim, activation='relu')(x)
h = Dense(intermediate_dim1, activation='relu')(h)
h = Dense(intermediate_dim2, activation='relu')(h)
z_mu = Dense(latent_dim)(h)
z_log_var = Dense(latent_dim)(h)
z_mu, z_log_var = KLDivergenceLayer()([z_mu, z_log_var])
z_sigma = Lambda(lambda t: K.exp(.5*t))(z_log_var)
因此，当我们将图1与图2进行比较时，可以看到更少的间隙。我的问题是：是否有更好的方法来消除差距？