VAE Explainer：用交互式可视化补充变分自编码器的学习
VAE Explainer: Supplement Learning Variational Autoencoders with Interactive Visualization
AI总结：
针对变分自编码器现有讲解方式抽象静态的问题，研究提出可在浏览器运行的交互式工具VAE Explainer，通过可交互的模型输入、隐空间、输出及带注释的代码、实时计算图关联理论与实现，工具已上线且代码开源。
摘要：
变分自编码器在机器学习领域应用广泛，但通常仅通过繁杂的数学符号或静态代码示例进行讲解。本文提出VAE Explainer，这是一款可在浏览器中运行的交互式变分自编码器工具，用于补充现有静态文档（如Keras Code Examples）的不足。VAE Explainer为VAE概览增加了交互功能，涵盖交互式模型输入、隐空间与输出模块，还通过带注释的代码和实时计算图，将高层概念理解与代码实现关联起来。该交互式可视化工具已上线，地址为https://xnought.github.io/vae-explainer，代码在https://github.com/xnought/vae-explainer开源。
英文摘要：
Variational Autoencoders are widespread in Machine Learning, but are typically explained with dense math notation or static code examples. This paper presents VAE Explainer, an interactive Variational Autoencoder running in the browser to supplement existing static documentation (e.g., Keras Code Examples). VAE Explainer adds interactions to the VAE summary with interactive model inputs, latent space, and output. VAE Explainer connects the high-level understanding with the implementation: annotated code and a live computational graph. The VAE Explainer interactive visualization is live at https://xnought.github.io/vae-explainer and the code is open source at https://github.com/xnought/vae-explainer.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
