整合營銷服務(wù)商
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
軟件開發(fā)中，用戶界面（UI）的構(gòu)建往往是一個既費時又復(fù)雜的過程。現(xiàn)在有人嘗試用AI來完成頁面的開發(fā)，雖然效果上還是無法代替程序員，但是目前看還是能夠做到輔助減少部分工作量。
今天就介紹一個開源的AI網(wǎng)頁生成項目：OpenUI
它允許開發(fā)者通過簡單的描述，然后生成UI頁面。你還可以通過選擇不同的語言，來生成對應(yīng)的代碼。
如何使用？
使用OpenUI非常簡單。你只需要描述你想要的UI，OpenUI就可以將其實時渲染出來。如果你需要對UI進行修改，只需提出更改要求，OpenUI就可以幫你完成。它甚至可以幫助你將HTML轉(zhuǎn)換成React、Svelte或Web Components等格式。
我們先看一下實際效果
打開官方的演示網(wǎng)站（你也可以自己部署），可以看到整個頁面如下圖
這時候在底部的輸入框內(nèi)，可以輸入文字，描述你要生成的頁面。
這時候生成了初版的效果，看起來不是想要的。那我們可以通過上面提供的修改工具，繼續(xù)讓AI生成。
如果你想常看代碼，可以點擊如下的區(qū)域，選擇你要生成的風(fēng)格
作者點評
作者試過很多AI頁面生成的項目，整體來說效果還都是一般。雖然有的自媒體宣傳如何恐怖，如何替代程序員，但是實際體驗之后覺得目前水平還是無法做到的。
未來看GPT-5或者GPT-6發(fā)布之后，AI推理能力能否上升一個臺階。如果提升不了多少推理能力，我覺得大家還是安心睡吧，這個只是輔助我們的。
體驗地址：
https://openui.fly.dev/ai/new
代碼地址：
https://github.com/wandb/openui
其他頁面生成AI項目：
https://v0.dev/
近幾年，互聯(lián)網(wǎng)發(fā)展十分迅速，許多人都將新媒體當(dāng)作自己的工作或者副業(yè)。當(dāng)我們需要撰寫網(wǎng)絡(luò)推文的時候，經(jīng)常要在網(wǎng)上進行資料查找，這樣會耗費大量的時間。正好在近幾個月AI寫作工具在不斷普及，我們可以使用AI工具來幫助我們自動生成內(nèi)容。那你知道文本怎么自動生成內(nèi)容嗎？下面幾個方法教會你用AI工具自動生成文本內(nèi)容。
1.使用AI寫作寶進行生成
方法簡介：這是一款網(wǎng)頁端的AI文本生成功能，它能夠根據(jù)我們輸入的關(guān)鍵信息，自動生成相關(guān)的文本內(nèi)容，該網(wǎng)頁采用了人工智能技術(shù)，能夠準(zhǔn)確地提供相關(guān)文本信息，還支持對文本信息進行編輯導(dǎo)出。
操作步驟：
第一步：在瀏覽器中打開AI寫作寶的主頁；
第二步：選擇AI寫作功能，輸入你想要生成內(nèi)容的關(guān)鍵詞；
第三步：生成內(nèi)容后，我們可以選擇對生成結(jié)果進行編輯。
2.使用Notion AI進行生成
方法簡介：這是一款基于人工智能技術(shù)的軟件，它可以識別我們輸入的關(guān)鍵詞，并智能生成相關(guān)文字。除此之外，Notion AI還提供了一些特殊的功能，例如Notion Translate，可以自動翻譯Notion頁面中的文本內(nèi)容；Notion Read，可以自動化處理大量的文本資料，提取關(guān)鍵信息和知識點。
操作步驟：
第一步：打開軟件后，在聊天框中輸入你想要生成的相關(guān)信息；
第二步：點擊生成，我們可以對生成的文本進行復(fù)制。
3.使用ChatGPT進行生成
方法簡介：這是一款基于人工智能技術(shù)的程序，能夠與我們進行自然語言的對話。它采用了一種新研發(fā)的語言生成技術(shù)，能夠根據(jù)我們的輸入從而自動生成回復(fù)。除此之外，它還具備自一定的學(xué)習(xí)能力，能在聊天中積累經(jīng)驗知識，提高程序的智能水平。
操作步驟：
第一步：打開網(wǎng)頁，點擊登錄；
第二步：登錄完成后，在聊天框輸入你的問題或者請求即可生成。
看完以上三種辦法的介紹后，大家是否都知道了文本怎么自動生成內(nèi)容了嗎？希望這些方法的分享能夠幫助到大家，如果大家有什么其他好用的建議也可以分享出來。
選自Floydhub
作者：Emil Wallner
機器之心編譯
如何用前端頁面原型生成對應(yīng)的代碼一直是我們關(guān)注的問題，本文作者根據(jù) pix2code 等論文構(gòu)建了一個強大的前端代碼生成模型，并詳細解釋了如何利用 LSTM 與 CNN 將設(shè)計原型編寫為 HTML 和 CSS 網(wǎng)站。
項目鏈接：github.com/emilwallner…
在未來三年內(nèi)，深度學(xué)習(xí)將改變前端開發(fā)。它將會加快原型設(shè)計速度，拉低開發(fā)軟件的門檻。
Tony Beltramelli 在去年發(fā)布了論文《pix2code: Generating Code from a Graphical User Interface Screenshot》，Airbnb 也發(fā)布Sketch2code（airbnb.design/sketching-i…）。
目前，自動化前端開發(fā)的最大阻礙是計算能力。但我們已經(jīng)可以使用目前的深度學(xué)習(xí)算法，以及合成訓(xùn)練數(shù)據(jù)來探索人工智能自動構(gòu)建前端的方法。在本文中，作者將教神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)基于一張圖片和一個設(shè)計模板來編寫一個 HTML 和 CSS 網(wǎng)站。以下是該過程的簡要概述：
1）向訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)輸入一個設(shè)計圖
2）神經(jīng)網(wǎng)絡(luò)將圖片轉(zhuǎn)化為 HTML 標(biāo)記語言
3）渲染輸出
我們將分三步從易到難構(gòu)建三個不同的模型，首先，我們構(gòu)建最簡單地版本來掌握移動部件。第二個版本 HTML 專注于自動化所有步驟，并簡要解釋神經(jīng)網(wǎng)絡(luò)層。在最后一個版本 Bootstrap 中，我們將創(chuàng)建一個模型來思考和探索 LSTM 層。
代碼地址：
所有 FloydHub notebook 都在 floydhub 目錄中，本地 notebook 在 local 目錄中。
本文中的模型構(gòu)建基于 Beltramelli 的論文《pix2code: Generating Code from a Graphical User Interface Screenshot》和 Jason Brownlee 的圖像描述生成教程，并使用 Python 和 Keras 完成。
核心邏輯
我們的目標(biāo)是構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，能夠生成與截圖對應(yīng)的 HTML/CSS 標(biāo)記語言。
訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，你先提供幾個截圖和對應(yīng)的 HTML 代碼。網(wǎng)絡(luò)通過逐個預(yù)測所有匹配的 HTML 標(biāo)記語言來學(xué)習(xí)。預(yù)測下一個標(biāo)記語言的標(biāo)簽時，網(wǎng)絡(luò)接收到截圖和之前所有正確的標(biāo)記。
這里是一個簡單的訓(xùn)練數(shù)據(jù)示例：docs.google.com/spreadsheet…。
創(chuàng)建逐詞預(yù)測的模型是現(xiàn)在最常用的方法，也是本教程使用的方法。
注意：每次預(yù)測時，神經(jīng)網(wǎng)絡(luò)接收的是同樣的截圖。也就是說如果網(wǎng)絡(luò)需要預(yù)測 20 個單詞，它就會得到 20 次同樣的設(shè)計截圖。現(xiàn)在，不用管神經(jīng)網(wǎng)絡(luò)的工作原理，只需要專注于神經(jīng)網(wǎng)絡(luò)的輸入和輸出。
我們先來看前面的標(biāo)記（markup）。假如我們訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是預(yù)測句子「I can code」。當(dāng)網(wǎng)絡(luò)接收「I」時，預(yù)測「can」。下一次時，網(wǎng)絡(luò)接收「I can」，預(yù)測「code」。它接收所有之前單詞，但只預(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。神經(jīng)網(wǎng)絡(luò)構(gòu)建特征以連接輸入數(shù)據(jù)和輸出數(shù)據(jù)。它必須創(chuàng)建表征來理解每個截圖的內(nèi)容和它所需要預(yù)測的 HTML 語法，這些都是為預(yù)測下一個標(biāo)記構(gòu)建知識。把訓(xùn)練好的模型應(yīng)用到真實世界中和模型訓(xùn)練過程差不多。
我們無需輸入正確的 HTML 標(biāo)記，網(wǎng)絡(luò)會接收它目前生成的標(biāo)記，然后預(yù)測下一個標(biāo)記。預(yù)測從「起始標(biāo)簽」（start tag）開始，到「結(jié)束標(biāo)簽」（end tag）終止，或者達到最大限制時終止。
Hello World 版
現(xiàn)在讓我們構(gòu)建 Hello World 版實現(xiàn)。我們將饋送一張帶有「Hello World！」字樣的截屏到神經(jīng)網(wǎng)絡(luò)中，并訓(xùn)練它生成對應(yīng)的標(biāo)記語言。
首先，神經(jīng)網(wǎng)絡(luò)將原型設(shè)計轉(zhuǎn)換為一組像素值。且每一個像素點有 RGB 三個通道，每個通道的值都在 0-255 之間。
為了以神經(jīng)網(wǎng)絡(luò)能理解的方式表征這些標(biāo)記，我使用了 one-hot 編碼。因此句子「I can code」可以映射為以下形式。
在上圖中，我們的編碼包含了開始和結(jié)束的標(biāo)簽。這些標(biāo)簽?zāi)転樯窠?jīng)網(wǎng)絡(luò)提供開始預(yù)測和結(jié)束預(yù)測的位置信息。以下是這些標(biāo)簽的各種組合以及對應(yīng) one-hot 編碼的情況。
我們會使每個單詞在每一輪訓(xùn)練中改變位置，因此這允許模型學(xué)習(xí)序列而不是記憶詞的位置。在下圖中有四個預(yù)測，每一行是一個預(yù)測。且左邊代表 RGB 三色通道和之前的詞，右邊代表預(yù)測結(jié)果和紅色的結(jié)束標(biāo)簽。
#Length of longest sentence
max_caption_len = 3
#Size of vocabulary
vocab_size = 3
# Load one screenshot for each word and turn them into digits
images = []
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 model
images = preprocess_input(images)
#Turn start tokens into one-hot encoding
html_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 encoding
next_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 feature
VGG = VGG16(weights='imagenet', include_top=True)
# Extract the features from the image
features = VGG.predict(images)
#Load the feature to the network, apply a dense layer, and repeat the vector
vgg_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 seqence
language_input = Input(shape=(vocab_size, vocab_size))
language_model = LSTM(5, return_sequences=True)(language_input)
# Concatenate the information from the image and the input
decoder = concatenate([vgg_feature_repeat, language_model])
# Extract information from the concatenated output
decoder = LSTM(5, return_sequences=False)(decoder)
# Predict which word comes next
decoder_output = Dense(vocab_size, activation='softmax')(decoder)
# Compile and run the neural network
model = Model(inputs=[vgg_feature, language_input], outputs=decoder_output)
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
# Train the neural network
model.fit([features, html_input], next_words, batch_size=2, shuffle=False, epochs=1000)
復(fù)制代碼
在 Hello World 版本中，我們使用三個符號「start」、「Hello World」和「end」。字符級的模型要求更小的詞匯表和受限的神經(jīng)網(wǎng)絡(luò)，而單詞級的符號在這里可能有更好的性能。
以下是執(zhí)行預(yù)測的代碼：
# Create an empty sentence and insert the start token sentence = np.zeros((1, 3, 3)) # [[0,0,0], [0,0,0], [0,0,0]] start_token = [1., 0., 0.] # start sentence[0][2] = start_token # place start in empty sentence # Making the first prediction with the start token second_word = model.predict([np.array([features[1]]), sentence]) # Put the second word in the sentence and make the final prediction sentence[0][1] = start_token sentence[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 sentence sentence[0][0] = start_token sentence[0][1] = np.round(second_word) sentence[0][2] = np.round(third_word) # Transform our one-hot predictions into the final tokens vocabulary = ["start", "<HTML><center><H1>Hello World!</H1></center></HTML>", "end"] for i in sentence[0]: print(vocabulary[np.argmax(i)], end=' ') 復(fù)制代碼
輸出
我走過的坑：
在 FloydHub 上運行代碼
FloydHub 是一個深度學(xué)習(xí)訓(xùn)練平臺，我自從開始學(xué)習(xí)深度學(xué)習(xí)時就對它有所了解，我也常用它訓(xùn)練和管理深度學(xué)習(xí)試驗。我們能安裝它并在 10 分鐘內(nèi)運行第一個模型，它是在云 GPU 上訓(xùn)練模型最好的選擇。若果讀者沒用過 FloydHub，可以花 10 分鐘左右安裝并了解。
FloydHub 地址：www.floydhub.com/
復(fù)制 Repo：
https://github.com/emilwallner/Screenshot-to-code-in-Keras.git 復(fù)制代碼
登錄并初始化 FloydHub 命令行工具：
cd Screenshot-to-code-in-Keras floyd login floyd init s2c 復(fù)制代碼
在 FloydHub 云 GPU 機器上運行 Jupyter notebook：
floyd run --gpu --env tensorflow-1.4 --data emilwallner/datasets/imagetocode/2:data --mode jupyter 復(fù)制代碼
所有的 notebook 都放在 floydbub 目錄下。一旦我們開始運行模型，那么在 floydhub/Helloworld/helloworld.ipynb 下可以找到第一個 Notebook。更多詳情請查看本項目早期的 flags。
HTML 版本
在這個版本中，我們將關(guān)注與創(chuàng)建一個可擴展的神經(jīng)網(wǎng)絡(luò)模型。該版本并不能直接從隨機網(wǎng)頁預(yù)測 HTML，但它是探索動態(tài)問題不可缺少的步驟。
概覽
如果我們將前面的架構(gòu)擴展為以下右圖展示的結(jié)構(gòu)，那么它就能更高效地處理識別與轉(zhuǎn)換過程。
該架構(gòu)主要有兩個部，即編碼器與解碼器。編碼器是我們創(chuàng)建圖像特征和前面標(biāo)記特征（markup features）的部分。特征是網(wǎng)絡(luò)創(chuàng)建原型設(shè)計和標(biāo)記語言之間聯(lián)系的構(gòu)建塊。在編碼器的末尾，我們將圖像特征傳遞給前面標(biāo)記的每一個單詞。隨后解碼器將結(jié)合原型設(shè)計特征和標(biāo)記特征以創(chuàng)建下一個標(biāo)簽的特征，這一個特征可以通過全連接層預(yù)測下一個標(biāo)簽。
設(shè)計原型的特征
因為我們需要為每個單詞插入一個截屏，這將會成為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的瓶頸。因此我們抽取生成標(biāo)記語言所需要的信息來替代直接使用圖像。這些抽取的信息將通過預(yù)訓(xùn)練的 CNN 編碼到圖像特征中，且我們將使用分類層之前的層級輸出以抽取特征。
我們最終得到 1536 個 8*8 的特征圖，雖然我們很難直觀地理解它，但神經(jīng)網(wǎng)絡(luò)能夠從這些特征中抽取元素的對象和位置。
標(biāo)記特征
在 Hello World 版本中，我們使用 one-hot 編碼以表征標(biāo)記。而在該版本中，我們將使用詞嵌入表征輸入并使用 one-hot 編碼表示輸出。我們構(gòu)建每個句子的方式保持不變，但我們映射每個符號的方式將會變化。one-hot 編碼將每一個詞視為獨立的單元，而詞嵌入會將輸入數(shù)據(jù)表征為一個實數(shù)列表，這些實數(shù)表示標(biāo)記標(biāo)簽之間的關(guān)系。
上面詞嵌入的維度為 8，但一般詞嵌入的維度會根據(jù)詞匯表的大小在 50 到 500 間變動。以上每個單詞的八個數(shù)值就類似于神經(jīng)網(wǎng)絡(luò)中的權(quán)重，它們傾向于刻畫單詞之間的聯(lián)系（Mikolov alt el., 2013）。這就是我們開始部署標(biāo)記特征（markup features）的方式，而這些神經(jīng)網(wǎng)絡(luò)訓(xùn)練的特征會將輸入數(shù)據(jù)和輸出數(shù)據(jù)聯(lián)系起來。
編碼器
我們現(xiàn)在將詞嵌入饋送到 LSTM 中，并期望能返回一系列的標(biāo)記特征。這些標(biāo)記特征隨后會饋送到一個 Time Distributed 密集層，該層級可以視為有多個輸入和輸出的全連接層。
和嵌入與 LSTM 層相平行的還有另外一個處理過程，其中圖像特征首先會展開成一個向量，然后再饋送到一個全連接層而抽取出高級特征。這些圖像特征隨后會與標(biāo)記特征相級聯(lián)而作為編碼器的輸出。
標(biāo)記特征
如下圖所示，現(xiàn)在我們將詞嵌入投入到 LSTM 層中，所有的語句都會用零填充以獲得相同的向量長度。
為了混合信號并尋找高級模式，我們運用了一個 TimeDistributed 密集層以抽取標(biāo)記特征。TimeDistributed 密集層和一般的全連接層非常相似，且它有多個輸入與輸出。
圖像特征
對于另一個平行的過程，我們需要將圖像的所有像素值展開成一個向量，因此信息不會被改變，它們只會用來識別。
如上，我們會通過全連接層混合信號并抽取更高級的概念。因為我們并不只是處理一個輸入值，因此使用一般的全連接層就行了。
級聯(lián)圖像特征和標(biāo)記特征
所有的語句都被填充以創(chuàng)建三個標(biāo)記特征。因為我們已經(jīng)預(yù)處理了圖像特征，所以我們能為每一個標(biāo)記特征添加圖像特征。
如上，在復(fù)制圖像特征到對應(yīng)的標(biāo)記特征后，我們得到了新的圖像-標(biāo)記特征（image-markup features），這就是我們饋送到解碼器的輸入值。
解碼器
現(xiàn)在，我們使用圖像-標(biāo)記特征來預(yù)測下一個標(biāo)簽。
在下面的案例中，我們使用三個圖像-標(biāo)簽特征對來輸出下一個標(biāo)簽特征。注意 LSTM 層不應(yīng)該返回一個長度等于輸入序列的向量，而只需要預(yù)測預(yù)測一個特征。在我們的案例中，這個特征將預(yù)測下一個標(biāo)簽，它包含了最后預(yù)測的信息。
最后的預(yù)測
密集層會像傳統(tǒng)前饋網(wǎng)絡(luò)那樣工作，它將下一個標(biāo)簽特征中的 512 個值與最后的四個預(yù)測連接起來，即我們在詞匯表所擁有的四個單詞：start、hello、world 和 end。密集層最后采用的 softmax 函數(shù)會為四個類別產(chǎn)生一個概率分布，例如 [0.1, 0.1, 0.1, 0.7] 將預(yù)測第四個詞為下一個標(biāo)簽。
# Load the images and preprocess them for inception-resnet
images = []
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 layer
IR2 = InceptionResNetV2(weights='imagenet', include_top=False)
features = IR2.predict(images)
# We will cap each input sequence to 100 tokens
max_caption_len = 100
# Initialize the function that will create our vocabulary
tokenizer = Tokenizer(filters='', split=" ", lower=False)
# Read a document and return a string
def load_doc(filename):
file = open(filename, 'r')
text = file.read()
file.close()
return text
# Load all the HTML files
X = []
all_filenames = listdir('html/')
all_filenames.sort()
for filename in all_filenames:
X.append(load_doc('html/'+filename))
# Create the vocabulary from the html files
tokenizer.fit_on_texts(X)
# Add +1 to leave space for empty words
vocab_size = len(tokenizer.word_index) + 1
# Translate each word in text file to the matching vocabulary index
sequences = tokenizer.texts_to_sequences(X)
# The longest HTML file
max_length = max(len(s) for s in sequences)
# Intialize our final input to the model
X, 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 encoder
image_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 decoder
decoder = concatenate([ir2_out, language_model])
decoder = LSTM(512, return_sequences=False)(decoder)
decoder_output = Dense(vocab_size, activation='softmax')(decoder)
# Compile the model
model = Model(inputs=[image_features, language_input], outputs=decoder_output)
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
# Train the neural network
model.fit([image_data, X], y, batch_size=64, shuffle=False, epochs=2)
# map an integer to a word
def 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 image
def 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 HTML
test_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)
復(fù)制代碼
輸出
訓(xùn)練不同輪數(shù)所生成網(wǎng)站的地址：
我走過的坑：
Bootstrap 版本
在最終版本中，我們使用 pix2code 論文中生成 bootstrap 網(wǎng)站的數(shù)據(jù)集。使用 Twitter 的 Bootstrap 庫（getbootstrap.com/），我們可以結(jié)合 HTML 和 CSS，降低詞匯表規(guī)模。
我們將使用這一版本為之前未見過的截圖生成標(biāo)記。我們還深入研究它如何構(gòu)建截圖和標(biāo)記的先驗知識。
我們不在 bootstrap 標(biāo)記上訓(xùn)練，而是使用 17 個簡化 token，將其編譯成 HTML 和 CSS。數(shù)據(jù)集（github.com/tonybeltram…）包括 1500 個測試截圖和 250 個驗證截圖。平均每個截圖有 65 個 token，一共有 96925 個訓(xùn)練樣本。
我們稍微修改一下 pix2code 論文中的模型，使之預(yù)測網(wǎng)絡(luò)組件的準(zhǔn)確率達到 97%。
端到端方法
從預(yù)訓(xùn)練模型中提取特征在圖像描述生成模型中效果很好。但是幾次實驗后，我發(fā)現(xiàn) pix2code 的端到端方法效果更好。在我們的模型中，我們用輕量級卷積神經(jīng)網(wǎng)絡(luò)替換預(yù)訓(xùn)練圖像特征。我們不使用最大池化來增加信息密度，而是增加步幅。這可以保持前端元素的位置和顏色。
存在兩個核心模型：卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）。最常用的循環(huán)神經(jīng)網(wǎng)絡(luò)是長短期記憶（LSTM）網(wǎng)絡(luò)。我之前的文章中介紹過 CNN 教程，本文主要介紹 LSTM。
理解 LSTM 中的時間步
關(guān)于 LSTM 比較難理解的是時間步。我們的原始神經(jīng)網(wǎng)絡(luò)有兩個時間步，如果你給它「Hello」，它就會預(yù)測「World」。但是它會試圖預(yù)測更多時間步。下例中，輸入有四個時間步，每個單詞對應(yīng)一個時間步。
LSTM 適合時序數(shù)據(jù)的輸入，它是一種適合順序信息的神經(jīng)網(wǎng)絡(luò)。模型展開圖示如下，對于每個循環(huán)步，你需要保持同樣的權(quán)重。
加權(quán)后的輸入與輸出特征在級聯(lián)后輸入到激活函數(shù)，并作為當(dāng)前時間步的輸出。因為我們重復(fù)利用了相同的權(quán)重，它們將從一些輸入獲取信息并構(gòu)建序列的知識。下面是 LSTM 在每一個時間步上的簡化版處理過程：
理解 LSTM 層級中的單元
每一層 LSTM 單元的總數(shù)決定了它記憶的能力，同樣也對應(yīng)于每一個輸出特征的維度大小。LSTM 層級中的每一個單元將學(xué)習(xí)如何追蹤句法的不同方面。以下是一個 LSTM 單元追蹤標(biāo)簽行信息的可視化，它是我們用來訓(xùn)練 bootstrap 模型的簡單標(biāo)記語言。
每一個 LSTM 單元會維持一個單元狀態(tài)，我們可以將單元狀態(tài)視為記憶。權(quán)重和激活值可使用不同的方式修正狀態(tài)值，這令 LSTM 層可以通過保留或遺忘輸入信息而得到精調(diào)。除了處理當(dāng)前輸入信息與輸出信息，LSTM 單元還需要修正記憶狀態(tài)以傳遞到下一個時間步。
dir_name = 'resources/eval_light/'
# Read a file and return a string
def load_doc(filename):
file = open(filename, 'r')
text = file.read()
file.close()
return text
def 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, text
train_features, texts = load_data(dir_name)
# Initialize the function to create the vocabulary
tokenizer = Tokenizer(filters='', split=" ", lower=False)
# Create the vocabulary
tokenizer.fit_on_texts([load_doc('bootstrap.vocab')])
# Add one spot for the empty word in the vocabulary
vocab_size = len(tokenizer.word_index) + 1
# Map the input sentences into the vocabulary indexes
train_sequences = tokenizer.texts_to_sequences(texts)
# The longest set of boostrap tokens
max_sequence = max(len(s) for s in train_sequences)
# Specify how many tokens to have in each input sentence
max_length = 48
def 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 encoder
image_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 decoder
decoder = 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 model
model = 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 epoch
filepath="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 model
model.fit([image_data, X], y, batch_size=64, shuffle=False, validation_split=0.1, callbacks=callbacks_list, verbose=1, epochs=50)
復(fù)制代碼
測試準(zhǔn)確率
找到一種測量準(zhǔn)確率的優(yōu)秀方法非常棘手。比如一個詞一個詞地對比，如果你的預(yù)測中有一個詞不對照，準(zhǔn)確率可能就是 0。如果你把百分百對照的單詞移除一個，最終的準(zhǔn)確率可能是 99/100。
我使用的是 BLEU 分值，它在機器翻譯和圖像描述模型實踐上都是最好的。它把句子分解成 4 個 n-gram，從 1-4 個單詞的序列。在下面的預(yù)測中，「cat」應(yīng)該是「code」。
為了得到最終的分值，每個的分值需要乘以 25%，(4/5) × 0.25 + (2/4) × 0.25 + (1/3) × 0.25 + (0/2) ×0.25 = 0.2 + 0.125 + 0.083 + 0 = 0.408。然后用總和乘以句子長度的懲罰函數(shù)。因為在我們的示例中，長度是正確的，所以它就直接是我們的最終得分。
你可以增加 n-gram 的數(shù)量，4 個 n-gram 的模型是最為對應(yīng)人類翻譯的。我建議你閱讀下面的代碼：
#Create a function to read a file and return its content
def load_doc(filename):
file = open(filename, 'r')
text = file.read()
file.close()
return text
def 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 vocabulary
tokenizer = Tokenizer(filters='', split=" ", lower=False)
#Create the vocabulary in a specific order
tokenizer.fit_on_texts([load_doc('bootstrap.vocab')])
dir_name = '../../../../eval/'
train_features, texts = load_data(dir_name)
#load model and weights
json_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 model
loaded_model.load_weights("../../../../weights.hdf5")
print("Loaded model from disk")
# map an integer to a word
def word_for_id(integer, tokenizer):
for word, index in tokenizer.word_index.items():
if index == integer:
return word
return None
print(word_for_id(17, tokenizer))
# generate a description for an image
def 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_text
max_length = 48
# evaluate the skill of the model
def 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, predicted
bleu, actual, predicted = evaluate_model(loaded_model, texts, train_features, tokenizer, max_length)
#Compile the tokens into HTML and css
dsl_path = "compiler/assets/web-dsl-mapping.json"
compiler = Compiler(dsl_path)
compiled_website = compiler.compile(predicted[0], 'index.html')
print(compiled_website )
print(bleu)
復(fù)制代碼
輸出
樣本輸出的鏈接：
我走過的坑：
下一步
前端開發(fā)是深度學(xué)習(xí)應(yīng)用的理想空間。數(shù)據(jù)容易生成，并且當(dāng)前深度學(xué)習(xí)算法可以映射絕大部分邏輯。一個最讓人激動的領(lǐng)域是注意力機制在 LSTM 上的應(yīng)用。這不僅會提升精確度，還可以使我們可視化 CNN 在生成標(biāo)記時所聚焦的地方。注意力同樣是標(biāo)記、可定義模板、腳本和最終端之間通信的關(guān)鍵。注意力層要追蹤變量，使網(wǎng)絡(luò)可以在編程語言之間保持通信。
但是在不久的將來，最大的影響將會來自合成數(shù)據(jù)的可擴展方法。接著你可以一步步添加字體、顏色和動畫。目前為止，大多數(shù)進步發(fā)生在草圖（sketches）方面并將其轉(zhuǎn)化為模版應(yīng)用。在不到兩年的時間里，我們將創(chuàng)建一個草圖，它會在一秒之內(nèi)找到相應(yīng)的前端。Airbnb 設(shè)計團隊與 Uizard 已經(jīng)創(chuàng)建了兩個正在使用的原型。下面是一些可能的試驗過程：
實驗
開始
進一步實驗
原文鏈接：blog.floydhub.com/turning-des…
本文為機器之心編譯，轉(zhuǎn)載請聯(lián)系本公眾號獲得授權(quán)。
*請認真填寫需求信息，我們會在24小時內(nèi)與您取得聯(lián)系。
