安康服装行业公关技巧的案例展示

本篇文章3893字，读完约10分钟

首先，阿尔法围棋在亿万人的眼中，五场战争中的四次胜利把人类从围棋的祭坛上拉了下来。后来，普里西玛在全世界都很受欢迎。有一段时间，每个人都张开了梵高和格致北斋的金手指，深层的神经网络逐渐开始从幕后走向前台，从无形走向有形，从赋予企业权力走向赋予每一个普通人权力。

如果阿尔法·戈能让普通人超越他们的期望，那么从总统到中学生的每个人都可以与之调情的普里西玛，就是人工智能的第一个民用应用。在手机硬件军备竞赛被抛弃、没有新思想的时代，利用人工智能技术和云算法的远程协助，可以在硬件瓶颈下大大提高手机的智能水平。

如果阿尔法·戈(alpha go)之所以引人注目，是因为它依赖于谷歌在深度学习方面的深厚基础，而且它的成功可以被其他初创公司复制，那么由四人团队在一个半月内开发的prisma意味着，站在人工智能领域前辈的成就之上，小团队有可能触及天空。

Prisma不是第一个将卷积神经网络应用于图像合成甚至艺术滤波的人。早在去年，deepart团队的三位成员就提出了通过分解两篇论文“基于自主神经网络的纹理合成”和“艺术风格的神经算法”来合成名画风格照片的具体方法。去年推出的Deepart.io也被《连线》、《华盛顿邮报》和其他媒体广泛报道。然而，由于这是一项基于网络的收费服务，处理时间长达半个小时，它并没有像prisma那样火爆。

卷积神经网络是如何产生月光滤波器的？

即使将卷积神经网络用于艺术滤波，prisma也不是第一个。这一领域的先驱是deepart团队，有几篇论文逐步记录了他们从物体识别的纹理合成方式中提取图像合成的研究轨迹。它还向我们展示了用于识别猫图片的卷积神经网络如何被用来将“星月之夜”转换成滤波器。

不同照明环境下的同一张脸

同一张脸的轮廓和形状在不同的光照下可能完全不同，物体识别的难点是在不同的变量(如光照条件)下对物体存在的感知，这意味着神经网络需要将图片的内容和风格分开，也意味着在物体识别的神经网络中有prisma固有的运行机制:从图片中提取艺术风格特征。

问题是如何将梵高的《星月之夜》中旋转的笔触和梦幻般的色彩抽象成一个风格过滤器，然后用在所有的照片上。这涉及到卷积神经网络的滤波原理。

就像阿尔法戈的12层神经网络被分为一个政策网络，负责选择球员和价值网络，负责计算利弊的国际象棋面临。卷积神经网络还通过一些可调整的参数对图像进行分级处理，从而达到目前广泛使用的目标识别和图像分类等目的，也可用于图像降噪或去模糊。

卷积神经网络工作原理示意图

与其他人工智能神经网络一样，卷积神经网络的工作模式是前向分层处理。一幅图像一幅接一幅地穿过神经网络的每一层，最后一层产生的图像就是最终结果。每一层都有一组参数，这些参数在操作过程中不断得到训练。这些可调参数决定了每个过滤层的功能。每次图像通过一个过滤层，就会产生一组过滤后的图像，这就是所谓的特征图。每个要素图代表一个特定的要素(边缘、角度、轮廓等)。)的原始图像。

通常，当图像被多层过滤时，留下的特征会变得越来越抽象。例如，如果卷积神经网络被训练用于对象识别，则更深的过滤层可以感知对象的存在，而不是特定的像素值。

经过多年的发展，卷积神经网络用于目标识别的性能越来越好，挑战阈值也越来越高。2014年imagenet图像识别挑战赛的获胜者是一个具有19个过滤层和相对较小的过滤器的深度卷积网络，这是deepart系统的基本vgg网络。

人工纹理的合成步骤

在“使用卷积神经网络的纹理合成”中，deepart团队介绍了如何使用对象识别的卷积网络来合成人工纹理，这意味着模仿原始图像的纹理来创建人工合成图像。一般来说，可以分解和重组的图片都包含一个特定的图案，例如沙子、纸张、碎云、木纹和混凝土的特写图片。对于这样的图片来说，整体布局不如标志性建筑重要。

合成图像的生成过程是用随机噪声迭代地更新这些图像，直到它们与原始图像相似。相似性的标准是保留颜色和局部细节，同时改变整体布局。

我们想要的是去除空之间的信息并保持纹理。问题是，要素地图最初是原始图像的过滤版本，这肯定会保留空.之间的信息如何移除它？deepart团队采用的方法是在去除空之间信息的情况下计算过滤层中不同要素图之间的相关性(只要两个要素图之间的相关系数是单一值，就必须去除空之间的信息)。计算过滤层中所有特征图的相关性，并获得n×n的gramian矩阵，其中n是该层中特征图的数量。

迭代升级程序不断修改噪声图，直到它的格拉姆矩阵接近原始图像。这种迭代升级可以通过多层神经网络的标准误差反向传播算法来实现。通过这个程序，可以创建类似于原始图像的纹理。

在后一篇论文《艺术风格的神经算法》中，deepart在原有的纹理合成方法上增加了一个新的步骤，旨在模拟vgg网络中特征图的Gramm矩阵，得到风格相似但内容不同的图像。

格拉姆矩阵在某种意义上等同于艺术家的风格。他复制一张脸的方式与他复制一棵树和一所房子的方式有关。只要捕获了相关性，就捕获了样式。

模拟图片的内容与纹理合成相似，但标准不同:目标是直接模拟vgg网络深层过滤层的值。这些步骤可以总结如下:

让艺术家的画通过vgg神经网络，计算并保存gram矩阵g。然后，让用户的照片通过vgg神经网络，保存特征图F。生成一个白噪声图像，并通过误差反向传播对图像进行升级，直到其特征图接近F，gram矩阵接近g

很难找到一个完美匹配的图片，所以有必要做出一定程度的妥协。它更接近g还是f？如果生成的图片更集中在接近G的格拉姆矩阵上，那么它就更接近艺术品的风格。如果生成的图片更集中在接近f的要素图上，那么它将保留更多的照片。以下图片展示了这种妥协。从左到右，艺术风格越来越淡，画面内容越来越突出。

为什么普里西玛注定是昙花一现？

Prisma的过滤器更像Facebook，而不是instagram和faceu，它们是娱乐产品，而不是工具产品，更不用说高级社交应用了。事实上，许多新奇酷的产品无法把握娱乐产品和工具产品之间的界限，无论是日常使用还是偶尔玩玩。使用场景是什么？Faceu不是昙花一现，因为它可以用于自画像、美容和用自己的表情聊天，而prisma只追求新鲜和冷静。Faceu是蛋糕上的糖衣，prisma是一个改造。

至于社交网络，图片工具的主要应用场景，发送到那里的照片主要是为了突出内容而不是风格，对真实性的追求大于酷效果。使用过多的滤波器和过度的失真滤波器是一个很大的禁忌。

更重要的是，美丽是国内用户修饰图片的主要动力。所有不漂亮的修饰工具都是流氓，而普里萨姆过于程式化的滤镜在肖像中并不令人满意，尤其是在面部处理方面。美丽需要的是修补面部的细微之处，而不是刷刷和泼溅野生艺术家的颜料。

一方面，艺术家的风格应该令人耳目一新，令人惊叹，另一方面，每张照片的内容都应该保留，这意味着普里什蒂纳只能选择印象派之后、现代主义之前的艺术流派，正如一位研究艺术的朋友所说:它的智慧无法像毕加索那样学会解构人体，更别说康定斯基根本不依赖于真实的物体。此外，后古典时代的美学(摆脱图像的纠缠，注重内容和表现形式)目前还没有被大众普遍接受，prisma的日常使用也没有群众基础。

人工智能正在让智能手机变得更加智能

正如Timoti MeDIa的文章“代码不再重要，我们将来会像训练狗一样训练计算机”中所说的，机器学习在互联网应用中无处不在:facebook用它来决定哪些新闻出现在你的时间线上，而谷歌图片(google Pictures)用它来进行面部识别。微软的skype翻译器使用机器学习将演讲实时翻译成不同的语言。谷歌还利用deepmind在全天候运行的数据中心节省能源和降低消耗。基于深层神经网络的人脸识别技术已经广泛应用于离线身份认证。

然而，这些面向企业用户并在后台运行的人工智能技术，并没有在普通用户手中发挥作用，响应他们的每一个需求，使智能手机真正智能化。

prisma的流行表明智能手机的硬件时代已经过去，人工智能的时代已经到来。prisma使用的卷积神经网络技术是人工智能的前沿。未来，各种顶级人工智能技术将继续在各种移动硬件上推广和实施。事实上，除了像prisma这样的娱乐应用，人工智能也被用来解决智能手机用户的真正痛点。

如果你是一个摄影师，在你知道之前，相册里已经有成千上万的照片被淹没了，这让你有心情去整理，但又不知道从哪里开始。现在，苹果照片，flickr，谷歌照片，等等。所有人都开始使用图像识别技术来帮助你自动组织和分类图片。

人工神经网络应用后，swiftkey的预测精度有了显著提高

今年，人工智能技术也首次应用于输入法。7月，在全球拥有3亿用户的swiftkey发布了一种输入法swiftkey neural alpha，它使用人工神经网络来预测用户的输入内容。与过去相比，swiftkey神经阿尔法只能根据新输入的两个单词进行局部预测。SwiftKey Neural Alpha对每个单词进行编码，然后基于云中的数百万个语料库找到句子中不同单词之间的相关性，从而实现基于句子的全局预测。这是神经网络技术首次应用于输入法。swiftkey的联合创始人兼首席技术官本·梅德洛克(Ben Medlock)表示，他们的一些想法受到了英国著名科学家图灵的启发。

标题:安康服装行业公关技巧案例展示

地址:http://www.stocksun.net/yuqingjiankong/3803.html

本文专栏:舆论监督

本文来源:快速推动舆论

标题：安康服装行业公关技巧的案例展示    地址：http://www.shuiyihui.cn/new/5321.html