MODELLINVENTAR / 37 LOKALE MODELLE
Generator und 36 Zeichen-Analyzer
Originalgewichte aus der vorhandenen letter_bmp_app: Generator Epoche 10 mit EMA und je ein bestes Analyzer-Checkpoint für 0–9 und A–Z. Es wurde nicht neu trainiert.
Klassenabhängige Normalisierung
Conditional Batch Normalization kombiniert feste BN-Statistiken mit klassenabhängigen FiLM-Skalierungen und Offsets.
CBN(x,y) = BN(x)·(1 + γ(y)) + β(y)
h₁ = Conv₁(Upsample(ReLU(CBN₁(x,y))))
ResUp(x,y) = Conv₂(ReLU(CBN₂(h₁,y))) + Skip(Upsample(x))
h₁ = Conv₁(Upsample(ReLU(CBN₁(x,y))))
ResUp(x,y) = Conv₂(ReLU(CBN₂(h₁,y))) + Skip(Upsample(x))
Im ONNX-Export wurden bei ursprünglich nicht-affinen BatchNorm-Schichten konstante Identitätsterme ergänzt. Das ändert keine trainierten Gewichte; die Ausgaben wurden numerisch gegen die Python-Vorlage verglichen.
Ausgewählte Analyzer je Zeichen
Validierung jeweils 10.000 native Bilder; 50 Trainings-Epochen pro Klasse. Die Tabelle zeigt die Auswahlwerte der ursprünglichen Checkpoints, keine neue Browser-Validierungsquote.