L'extraction de grandes quantités de données à partir d'échantillons biologiques n'est pas réalisable en raison des problèmes de rayonnement, et le traitement d'images dans un régime de petite taille de données est l'un des défis majeurs lorsqu'on dispose d'une quantité limitée de données. Dans cette étude, nous avons appliqué un algorithme existant appelé Variational Auto Encoder (VAE) qui pré-entraîne une représentation latente des données afin de capturer les caractéristiques dans une dimension inférieure pour une entrée dans un régime de petite taille de données. L'espace latent affiné fournit des poids constants utiles pour la classification. Nous présenterons ici l'analyse des performances de l'algorithme VAE avec différentes tailles d'espace latent dans un cadre d'apprentissage semi-supervisé en utilisant le jeu de données CIFAR-10.