主要是互動式方面的應用,包括生成式藝術、遊戲、工具等。
機器學習越來越多地用於生成式藝術。而前端使使用者得以在瀏覽器中以互動方式生成各種藝術作品。
左邊是生成的影象,右邊視覺化生成該影象的網路
線上地址:http://otoro.net/neurogram/
“頁遊”的AI可以基於機器學習訓練。
比如這個軟泥排球遊戲(同樣由hardmaru開發)。遊戲使用JavaScript和HTML5 Canvas開發。具體而言,基於p5.js開發了遊戲的圖形部分,以JavaScript透過簡單的物理、數學函式實現了一個物理引擎。同時提供鍵盤和觸控兩種互動方式。而AI是基於convnet.js實現的傳統神經演化方法訓練的。
你可以試試看能否打敗AI?如果你運氣非常好的話,還是有機會打敗AI的。不過想要持續取勝就不可能了。
遊戲地址:http://swaption.net
機器學習在前端的應用絕不僅僅限於生成藝術和遊戲。本質上前端提供的是一個互動工具,使用者可以憑藉這個工具完成手頭的任務(玩遊戲也算任務)。機器學習可以帶來全新的互動方式,也就意味著全新的工具。
比如,目前的電商網站,挑鞋子的時候,前端的互動方式往往是你選擇幾個選單,比如“女鞋”、“38碼”等。而J. Zhu, P. Krähenbühl, E. Schechtman, A.A. Efros.在ECCV 2016上發表的論文Generative visual manipulation on the natural image manifold提出了一個新模型,互動式生成對抗網路,即iGAN. 使用者只需粗略地勾勒出鞋子的形狀、鞋帶、鞋底,就可以自動匹配相應的符合條件的鞋子。
這個選擇鞋子的方式比傳統的方式要強大靈活太多。以前使用者只能基於幾個有限的選項進行篩選,現在使用者可以按照自己的想法勾勒,自由而細緻地表達自己的需求,例如,如果使用者想要鞋跟比較厚實,鞋面高一點、狹長一點的鞋子,只需勾勒出輪廓就可以。而傳統的前端選鞋介面可沒有這麼方便(而且實際上恐怕根本無法指定鞋跟厚實,鞋面高而狹長這樣的需求)。
主要是互動式方面的應用,包括生成式藝術、遊戲、工具等。
生成式藝術機器學習越來越多地用於生成式藝術。而前端使使用者得以在瀏覽器中以互動方式生成各種藝術作品。
左邊是生成的影象,右邊視覺化生成該影象的網路
線上地址:http://otoro.net/neurogram/
遊戲“頁遊”的AI可以基於機器學習訓練。
比如這個軟泥排球遊戲(同樣由hardmaru開發)。遊戲使用JavaScript和HTML5 Canvas開發。具體而言,基於p5.js開發了遊戲的圖形部分,以JavaScript透過簡單的物理、數學函式實現了一個物理引擎。同時提供鍵盤和觸控兩種互動方式。而AI是基於convnet.js實現的傳統神經演化方法訓練的。
你可以試試看能否打敗AI?如果你運氣非常好的話,還是有機會打敗AI的。不過想要持續取勝就不可能了。
遊戲地址:http://swaption.net
工具機器學習在前端的應用絕不僅僅限於生成藝術和遊戲。本質上前端提供的是一個互動工具,使用者可以憑藉這個工具完成手頭的任務(玩遊戲也算任務)。機器學習可以帶來全新的互動方式,也就意味著全新的工具。
比如,目前的電商網站,挑鞋子的時候,前端的互動方式往往是你選擇幾個選單,比如“女鞋”、“38碼”等。而J. Zhu, P. Krähenbühl, E. Schechtman, A.A. Efros.在ECCV 2016上發表的論文Generative visual manipulation on the natural image manifold提出了一個新模型,互動式生成對抗網路,即iGAN. 使用者只需粗略地勾勒出鞋子的形狀、鞋帶、鞋底,就可以自動匹配相應的符合條件的鞋子。
這個選擇鞋子的方式比傳統的方式要強大靈活太多。以前使用者只能基於幾個有限的選項進行篩選,現在使用者可以按照自己的想法勾勒,自由而細緻地表達自己的需求,例如,如果使用者想要鞋跟比較厚實,鞋面高一點、狹長一點的鞋子,只需勾勒出輪廓就可以。而傳統的前端選鞋介面可沒有這麼方便(而且實際上恐怕根本無法指定鞋跟厚實,鞋面高而狹長這樣的需求)。