Prompt-Beschreibung

Eine saubere und professionelle Deep-Learning-Architekturdiagramm eines Variational Autoencoders (VAE) wird dargestellt. Auf der linken Seite downsamplet ein Encoder-Netzwerk, bestehend aus Convolutional Layers, progressiv ein 32×32 RGB-Bild. Der Encoder gibt zwei Vektoren mit den Bezeichnungen “μ(x)” und “σ(x)” aus. In der Mitte illustriert ein Latent Space-Block den Reparametrisierungstrick: z = μ + σ ⊙ ε, wobei ε aus einer Standard-Gauß-Verteilung gesampelt wird. Auf der rechten Seite rekonstruiert ein Decoder-Netzwerk das Bild mithilfe einer robusten Architektur, die Residual Blocks, Attention Modules und PixelShuffle Upsampling Layers integriert und die räumliche Auflösung progressiv wieder auf 32×32×3 erhöht. Pfeile zeigen den Datenfluss vom Encoder über den Latent Space zum Decoder an. Das Design ist minimalistisch und flach, mit einem weißen Hintergrund, klaren Beschriftungen und einem akademischen Stil, geeignet für eine Machine-Learning-Präsentation.