今天是情人節(jié)，還沒有男/女朋友？沒關(guān)系，來用AI定制專屬你的那個「ta」吧！AI是個無所不能的東西，這一點毋庸置疑。美國媒體公司推出了一個AI新游戲——通過幾個快問快答「用AI創(chuàng)造你的完美男友/女友」。
負責(zé)該測試的產(chǎn)品總監(jiān)Chris 說，這個游戲其實也是想「取笑我們所有人的處境」（隔離），以及 「怪異的在線約會」。
get這個技術(shù)，看看你的理想型是誰？
要參加測驗，你需要回答幾個問題：你想要的理想伴侶是什么樣。這些問題通常很常見，沒有什么特別之處，但答案比較獨特。測試鏈接：第一個問題先確定測試者年齡。如果你一不小心點了「未滿18歲」，那系統(tǒng)就會直接指路「PBS少兒頻道」, Enjoy!
說：「一般的在線測試可能會有10+或20+不同的結(jié)果，這是預(yù)先設(shè)定好的，不會超出這個范圍"，但新游戲，你可以重來幾十次，每次都會得到一個不同的結(jié)果」。這個游戲背后是是技術(shù)，生成了各種各樣不同的個人圖片。在文字方面，的工作人員貢獻了獨具個性特征的東西，像短信內(nèi)容、個人愛好，甚至 怪異、黑暗的東西，而這些都是通過算法合成的。「我認(rèn)為我們主要是想接受這個游戲帶來的荒謬，我們試著要與用戶提供的某些信息匹配，所以它不是完全隨機的。這個游戲的早期版本更真實，但趣味性不高。」說。說，他希望未來可以開發(fā)更多 「更有代入感 」的測試，創(chuàng)作者只需要提出一個概念，不必 「編輯每一個選項」。「我們肯定會用機器學(xué)習(xí)模型來編寫測驗，但效果可能不會很好，」他說。相反，該團隊對 「技術(shù)能做的人類不能做的事，以及人類能做的技術(shù)不能做的事的那個交叉點 」感興趣。
網(wǎng)友評價：滿意度并不高！
看了網(wǎng)友的評價，總體來說滿意度并不高。
但AI給的答案確實豐富多彩qq空間藍色鏈接生成器，比如下面這幾種：不小心點了「未滿18歲」，被指路PBS少兒頻道的網(wǎng)友，驚訝之余無奈道：謝謝帶我重回小時候......
有的生成結(jié)果甚至是「無臉人」：
還有碰到和自己同一個地方的「ta」，網(wǎng)友：真的沒有跟蹤我？！
無所不能的，也可以是日本愛豆生成器
以上的技術(shù)基于風(fēng)靡網(wǎng)絡(luò)的。2018年，英偉達提出了，這是一種新型生成對抗性網(wǎng)絡(luò)(GAN)。從此，就被用來作各種人臉生成，隨你所想。這不，情人節(jié)當(dāng)然少不了可可愛愛的女生形象，有技術(shù)小哥就用開發(fā)了自己喜歡的日本偶像：
你喜歡這樣的嗎？
或者這種的？
作者還開發(fā)了臉部特征控制器，比如多笑、多尖鼻、多直發(fā)......這種定制式的風(fēng)格似乎與我們今天的主題——完美女友很般配！
那么，系統(tǒng)是如何建立的呢？首先，我們先看一下數(shù)據(jù)和流程組件的整體關(guān)系圖。在這里，除了GAN是而不是之外，本系統(tǒng)基本上繼承了TL-GAN（ -space GAN）的結(jié)構(gòu)。
是由許多偶像臉部圖像訓(xùn)練而成，數(shù)量超過15K的圖像。和其他GAN一樣有一個潛伏空間。在系統(tǒng)中，在潛伏空間中使用隨機抽樣的方式生成150K張圖像，并通過人臉屬性預(yù)測器對圖像進行分類，制作一個數(shù)據(jù)集，從潛伏碼中預(yù)測屬性。然后，屬性軸預(yù)測器從潛碼中學(xué)習(xí)預(yù)測屬性并預(yù)測軸。在最新的空間里往這個方向添加屬性的結(jié)果這是用15000張圖片訓(xùn)練后生成的結(jié)果：
這是用40000張圖像訓(xùn)練后生成的圖像：
從兩種情況下我們能看出，在40000數(shù)據(jù)集中，手的生成更好一些。在這兩種情況下，GAN都成功學(xué)習(xí)生成了前臉圖像。在數(shù)據(jù)集中，數(shù)量較少的圖像是無法學(xué)習(xí)生成的。(例如，為了更好地擺姿勢而使用手，有麥克風(fēng)，食物......等)在40000數(shù)據(jù)集中，手的生成效果更好一些。與以往的GAN不同，它是潛伏空間是線性的qq空間藍色鏈接生成器，是分散的；良好的插值性能；線性分離性在歐幾里得幾何學(xué)中，線性可分離性是兩組點的屬性。在二維空間（歐氏平面）中，將一組點看作是藍色的，而另一組點看作是紅色的，這是最容易直觀的。
如果平面上至少有一條線，所有的藍色點都在這條線的一邊，而所有的紅色點都在另一邊，那么這兩組點是可以線性分離的。如果用超平面代替線，這個思想立即可以推廣到高維的歐氏空間。所以，只要有足夠多的數(shù)據(jù)集，選擇合適的線性學(xué)習(xí)算法，我們就可以找到一個軸來改變一個屬性。所以，這意味著這個GAN適合于像TL-GAN那樣的控制生成，因為良好的插值意味著連續(xù)地調(diào)整每個屬性，而線性分離的潛伏空間意味著更容易獨立地調(diào)整每個屬性（如果每個屬性是相互獨立的）。臉部屬性前導(dǎo)作者使用和數(shù)據(jù)集來訓(xùn)練人臉屬性預(yù)測器。在統(tǒng)一隨機拆分的訓(xùn)練/驗證數(shù)據(jù)集上，這個預(yù)測器的準(zhǔn)確率是91%。在用它來預(yù)測15萬張采樣圖像標(biāo)簽方面，準(zhǔn)確率不是很高。但在某些時候它的工作是合理的。屬性軸預(yù)測器作者使用線性回歸來尋找屬性軸。線性回歸看起來不錯，可以看到屬性的插值和變化，不過的空間可能不是完全線性分離的，臉部屬性預(yù)測也不是100%準(zhǔn)確。權(quán)重系數(shù)是屬性軸的一個方向，因為回歸函數(shù)的梯度是增強屬性的方向。的訓(xùn)練數(shù)據(jù)集使用爬蟲和人臉檢測器從任意網(wǎng)站收集的40K張偶像臉部圖像。當(dāng)作者使用的數(shù)據(jù)集的數(shù)量，我們可以看到一些圖像成功地生成幾乎相似的照片，所以作者建議是收集至少15000張圖片來嘗試運行。數(shù)據(jù)集與FFHQ數(shù)據(jù)集的極粗略對比如下：
以上兩種，你更喜歡哪種情人節(jié)呢？
, Happy 's Day！參考鏈接：
@/gan--real--of--idols-