TeachAI實驗思考｜shadow的實驗室

設計師／產品經理只有懂得技術的新特性，才能爲產品融入新的玩法 。設計師也應該關注新技術帶來的新的交互方式的變化，研究怎麼樣的交互方式才適合基於瀏覽器的深度學習應用。

tensorflowJS 官方有個基於 MobileNet 的遷移學習例子：

該遊戲給咱們提供了一個 基於用戶個性化數據 的玩法。用戶能夠很是低成本的訓練屬於本身的圖像分類模型，用於各類分類問題。咱們能夠拓展下，好比識別用戶的手勢動做，來控制遊戲中的人物；識別用戶的表情，控制3d人物的表情；識別圖像中的人臉數量，自動隱藏所瀏覽的內容，防止被窺視……甚至 autodraw 、ui2code 、手寫字識別等這些應用均可以 嘗試融入用戶個性化的數據再訓練的玩法 ，給予用戶掌控權。

我認爲新技術都會有一種很天然的新的交互方式與之匹配。基於瀏覽器的用戶個性化數據再訓練，能夠提煉出如下基本的交互流程：

—>  設定「概念」

—> 採集數據 

—> 開始訓練

—> 使用用戶數據

—> 核心功能

—> 完成任務／獲得某個結果。

用戶使用本身的數據，應用更符合用戶個性化特徵，是一種不一樣於個性化推薦的「個性化」產品設計方法。

技術產品化趨勢

近些年來，藝術模型工具備 runway.ai，微軟最近出了 lobe……

Lobe 經過免費，易於使用的應用程序幫助您訓練機器學習模型。只需向其顯示您但願它學習什麼的示例，它就會自動訓練能夠在您的應用程序中提供的自定義機器學習模型。無需任何代碼或經驗。

這是一個趨勢， 技術產品化 ，普通人使用AI的門檻愈來愈低～

我抽空基於 tensorflowJS，完成了一個 在網頁上能夠教機器學習任何 「概念」 的js庫 。

提供一個相似於 「編輯器」 的界面，讓任何用戶均可以方便地錄入數據，訓練模型，測試效果。

做爲示例，我仿照上文判斷「喝水」的應用，我訓練了一個識別 shadow 有沒有在打電話的模型，見上圖。

除了獲取攝像頭的圖像做爲數據集以外，咱們還能夠 自行收集圖片做爲輸入 ，應用於特定領域的分類問題。

好比，咱們能夠訓練一個設計風格的分類器，判斷圖片是哪種類型的，從而決定接下來的策略。我收集了3種類型的圖片，而後基於此工具訓練了模型，測試下來，準確率有85%。

100% 的準確率確定達不到的，由於這不是一件很是機械的分類問題 ，對於設計風格的理解，具體的呈現有不少細微的不一致，自己沒法很準確地分類到某一種類別中。

所以，預測的結果，我認爲是一個 排序問題 ，機器返回的是可能的答案組，而不是惟一的答案。

另外，爲了控制模型的準確率，我一開始是把設計風格簡化到只有 2 類，二分類問題的準確率就很是高，而後，結合實際狀況，針對設計風格，應該是簡化到 3 類比較合理：從抽象到具體。

結合實踐狀況，簡化多分類問題至 「二分類」 。

反過來，從實際的設計圖紙的分佈來看，確實均可以在 3 種類型中劃定一個區域範圍。

以上是這幾天的實驗思考~

感興趣能夠在微信公衆號後臺回覆 ： 加你 ，找我交流哈~

-END-

歡迎

來和MixLaber一塊兒探索未知世界

本文分享自微信公衆號 - 無界社區mixlab（mix-lab）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。