التكديس هو واحدة من المهام الأساسية في التعلم الآلي. في الآونة الأخيرة، أصبح التكديس العميق اتجاهًا رئيسيًا في تقنيات التكديس. يلعب تعلم التمثيل دورًا مهمًا في كفاءة التكديس العميق، وبالتالي يمكن أن يكون سببًا رئيسيًا في تدهور الأداء. في هذا البحث، نقترح طريقة لتعلم التمثيل الصديقة للتكديس باستخدام تمييز المثيلات وتنويع الميزات. يُستمدّ منهجنا القائم على الشبكات العصبية العميقة من خصائص التكديس الطيفي الكلاسيكي. يتعلم تمييز المثيلات التشابه بين البيانات، بينما يزيل تنويع الميزات الارتباط الزائد بين الميزات. نستخدم طريقة تمييز المثيلات التي تُسهم في تعلم التشابه بين المثيلات من خلال تعلم فئات المثيلات الفردية. من خلال تجارب وتحليلات مفصلة، نُظهر أن النهج يمكن تكييفه لتعلم فضاء خفي مناسب للتكديس. ونُصمم قيودًا جديدة مُصاغة بصيغة سويفت (Softmax) لتنويع الميزات. في تقييمات التكديس الصوري باستخدام مجموعتي بيانات CIFAR-10 وImageNet-10، حقق النهج دقة قدرها 81.5% و95.4% على التوالي. كما نُظهر أن القيود المصاغة بصيغة سويفت متوافقة مع مختلف الشبكات العصبية.