TeachAI实验思考｜shadow的实验室

设计师／产品经理只有懂得技术的新特性，才能为产品融入新的玩法 。设计师也应该关注新技术带来的新的交互方式的变化，研究怎么样的交互方式才适合基于浏览器的深度学习应用。

tensorflowJS 官方有个基于 MobileNet 的迁移学习例子：

该游戏给咱们提供了一个 基于用户个性化数据 的玩法。用户能够很是低成本的训练属于本身的图像分类模型，用于各类分类问题。咱们能够拓展下，好比识别用户的手势动做，来控制游戏中的人物；识别用户的表情，控制3d人物的表情；识别图像中的人脸数量，自动隐藏所浏览的内容，防止被窥视……甚至 autodraw 、ui2code 、手写字识别等这些应用均可以 尝试融入用户个性化的数据再训练的玩法 ，给予用户掌控权。

我认为新技术都会有一种很天然的新的交互方式与之匹配。基于浏览器的用户个性化数据再训练，能够提炼出如下基本的交互流程：

—>  设定“概念”

—> 采集数据 

—> 开始训练

—> 使用用户数据

—> 核心功能

—> 完成任务／获得某个结果。

用户使用本身的数据，应用更符合用户个性化特征，是一种不一样于个性化推荐的“个性化”产品设计方法。

技术产品化趋势

近些年来，艺术模型工具备 runway.ai，微软最近出了 lobe……

Lobe 经过免费，易于使用的应用程序帮助您训练机器学习模型。只需向其显示您但愿它学习什么的示例，它就会自动训练能够在您的应用程序中提供的自定义机器学习模型。无需任何代码或经验。

这是一个趋势， 技术产品化 ，普通人使用AI的门槛愈来愈低～

我抽空基于 tensorflowJS，完成了一个 在网页上能够教机器学习任何 “概念” 的js库 。

提供一个相似于 “编辑器” 的界面，让任何用户均可以方便地录入数据，训练模型，测试效果。

做为示例，我仿照上文判断“喝水”的应用，我训练了一个识别 shadow 有没有在打电话的模型，见上图。

除了获取摄像头的图像做为数据集以外，咱们还能够 自行收集图片做为输入 ，应用于特定领域的分类问题。

好比，咱们能够训练一个设计风格的分类器，判断图片是哪种类型的，从而决定接下来的策略。我收集了3种类型的图片，而后基于此工具训练了模型，测试下来，准确率有85%。

100% 的准确率确定达不到的，由于这不是一件很是机械的分类问题 ，对于设计风格的理解，具体的呈现有不少细微的不一致，自己没法很准确地分类到某一种类别中。

所以，预测的结果，我认为是一个 排序问题 ，机器返回的是可能的答案组，而不是惟一的答案。

另外，为了控制模型的准确率，我一开始是把设计风格简化到只有 2 类，二分类问题的准确率就很是高，而后，结合实际状况，针对设计风格，应该是简化到 3 类比较合理：从抽象到具体。

结合实践状况，简化多分类问题至 “二分类” 。

反过来，从实际的设计图纸的分布来看，确实均可以在 3 种类型中划定一个区域范围。

以上是这几天的实验思考~

感兴趣能够在微信公众号后台回复 ： 加你 ，找我交流哈~

-END-

欢迎

来和MixLaber一块儿探索未知世界

本文分享自微信公众号 - 无界社区mixlab（mix-lab）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。