機器學習原理

要聊到機器學習，我們應該知道，它主要有兩種方法：監督式學習（Supervised Learning）和無監督式學習（Unsupervised Learning）。

什么是監督式學習

所謂監督式學習，就是需要我們提供大量的學習樣本，包括樣本相關的特征數據以及相應的標簽。AI 程序可以通過這些樣本來學習相關的規律或是模式，然后通過得到的規律或模式來判斷沒有被打過標簽的數據是什么樣的數據。

就比如：「猜畫小歌」，我們小程序的用戶畫了大量的帶著標簽的畫作，通過你畫的每個帶著標簽的畫作，AI 程序就知道，原來人類是這么畫這個房子，這個船，這個蘋果等等這些東西的。原來人類眼中的他們是這樣的。它就會分析我們畫作的每一個特點和特征，從而進行自我學習。我們提供這些大量的帶著標簽的數據樣本也叫：訓練數據（training data） 。

通過機器學習的算法，找到每幅畫作在不同手寫體下的特征，進而找到規律和模式。然后通過得到的規律或模式來識別那些沒有被打過標簽的畫，以此完成識別手寫畫作的目標。

當然，這個 AI 小程序在上線之前，肯定已經用上萬甚至幾十萬的樣本訓練過了，所以你在畫的時候，它會根據你畫的特征進行一些分析和識別。而我們畫的這些又被它當做樣本，通過算法進行了自我學習。

其實說白了，Google 挺聰明的，讓 AI 小程序識別和猜測人類的畫作，通過大量我們提供的免費標注訓練讓這個系統得到更好的學習，提升和優化。其實最后的目的可能就是：AI 智能小程序就會自己獨立創作繪畫，畫出各種跟人類一樣的作品。

所以啊，大家都是在玩的同時，在給這個 AI 小程序當陪練呢！！！我每個用戶都為它的進化提供了大量的幫助和數據。大家畫的越多，提供的數據樣本就越多，它通過自我學習和算法分析，就會識別越準確，自己也就越了解人類。

什么是無監督式學習？

無監督式學習 (Unsupervised Learning) 是人工智能網絡的一種算法 (algorithm)，其目的是去對原始資料進行分類，以便了解資料內部結構。有別于監督式學習網絡，無監督式學習網絡在學習時并不知道其分類結果是否正確，亦即沒有受到監督式增強 (告訴它何種學習是正確的)。其特點是僅對此種網絡提供輸入范例，而它會自動從這些范例中找出其潛在類別規則。當學習完畢并經測試后，也可以將之應用到新的案例上。

無監督學習里典型的例子就是聚類了。聚類的目的在于把相似的東西聚在一起，而我們并不關心這一類是什么。因此，一個聚類算法通常只需要知道如何計算相似度就可以開始工作了。

可能還會有什么半監督式學習，這個就是上述兩者的結合，基本思想是利用數據分布上的模型假設, 建立學習器對未標簽樣本進行標簽。

「猜畫小歌」背后的 AI 技術

「猜畫小歌」對我們畫作的辨識，其實利用的就是神經網絡技術，是基于對大量涂鴉樣本的學習。就像，我剛才在上面監督式學習那里所說的。

Google 表示，「猜畫小歌」由來自 Google 人工智能的神經網絡技術驅動。該網絡源全世界范圍，超過 5000 萬個手繪素描的數據群。機器學習手繪素描后，可以通過粗糙的草圖來識別物體。例如一團長著耳朵的墨跡可能是一只熊貓。

而這個小程序利用的技術就是：RNN，也就是遞歸神經網絡。這個技術其實谷歌在之前早就使用了，并不新鮮，在去年 11 月，Google 專門研究人 “Quick, Draw!” 的看圖猜物品功能。可以根據你勾勒的幾筆猜測三個可能的物品。Google 表示，這個技術是通過模擬人腦在畫一個物體時是如何運用線條、形狀以及其它繪畫要素來進行推斷。

我們在這個小程序上開始畫作，訓練神經網絡，讓 AI 來理解人們在繪制畫作時是在何時起筆、走筆方向、何時停筆的。當經過訓練的 RNN 模型接收到人類繪制的畫作后，會生成一張類似的新畫作。

你以為僅僅如此嗎？不是，如果你畫的畫作不對，有瑕疵，它其實還會糾正呢！在 RNN 模型當中，當用戶創作出的靈魂畫作，還沒有畫完時，比如只是畫出了人的頭，還沒有畫耳朵，AI 仍然能夠重構出 “正常” 的畫作來。RNN 模型仍然會繼續生成有耳朵，有眼睛的正常人頭。

所以，在「猜畫小歌」小程序中，你僅僅可能只是畫出了一個大致的線條，還沒畫完的時候，AI 就已經認出你畫的是什么東西呢？它讀取的是你的起筆，線條，和一些特征數據，就能夠快速猜出你畫的是什么？而且還能幫你補全和糾正。

你打開小程序，找到「我的畫作」點進去，在每一幅畫作的下面寫著這么一句話：

以上就是這篇關于谷歌的猜畫小歌小程序的開發案例，如需更多了解可以關注我們~~

HiShop小程序工具提供多類型商城/門店小程序制作，可視化編輯 1秒生成5步上線。通過拖拽、拼接模塊布局小程序商城頁面，所看即所得，只需要美工就能做出精美商城。更多小程序商店請查看：小程序商店