Die Extraktion großer Datenmengen aus biologischen Proben ist aufgrund von Strahlungsproblemen nicht machbar, und die Bildverarbeitung im Bereich kleiner Datenmengen stellt eine der wesentlichen Herausforderungen dar, wenn man mit begrenzten Daten arbeitet. In dieser Arbeit haben wir einen bestehenden Algorithmus namens Variational Auto Encoder (VAE) angewendet, der eine latente Raumdarstellung der Daten vortrainiert, um die Merkmale in einer niedrigeren Dimension für den Eingabebereich kleiner Datenmengen zu erfassen. Der feinjustierte latente Raum bietet konstante Gewichte, die für die Klassifizierung nützlich sind. Hier präsentieren wir die Leistungsanalyse des VAE-Algorithmus bei unterschiedlichen Größen des latenten Raums im semi-überwachten Lernen unter Verwendung des CIFAR-10-Datensatzes.