HTML+CSS+JS隨機(jī)生成驗(yàn)證碼

天在小破站看到一個(gè)前端生成隨機(jī)驗(yàn)證碼的視頻，感覺(jué)很有意思，就跟著操作了一下，成功了。

后來(lái)自己又想給它加一個(gè)提交按鈕，輸入并判斷驗(yàn)證碼的正確性，也可以正常運(yùn)行，但是我的代碼好像還是存在一些bug：

1.canvas標(biāo)簽是繪圖容器，自帶屬性使它是一個(gè)默認(rèn)300*150的容器，縮小canvs容器時(shí)，里面的繪圖也會(huì)變小，我沒(méi)有找到合適的方法去調(diào)整它的大小。

2.對(duì)于輸入框input，我使用了float浮動(dòng)，為了使input輸入框和canvas里面的驗(yàn)證碼并排，但是被vscode警告了。

這次的實(shí)戰(zhàn)練習(xí)也經(jīng)歷了很多坎坷，但是也收獲很大。學(xué)習(xí)到了canvas標(biāo)簽的用法、JS全局變量和局部變量、以及有關(guān)context的一些屬性和方法。

最后，希望路過(guò)的大佬，幫我看看bug，幫幫菜鳥(niǎo)。

附上源碼

深度學(xué)習(xí)自動(dòng)生成HTML代碼

選自Floydhub

作者：Emil Wallner

機(jī)器之心編譯

如何用前端頁(yè)面原型生成對(duì)應(yīng)的代碼一直是我們關(guān)注的問(wèn)題，本文作者根據(jù) pix2code 等論文構(gòu)建了一個(gè)強(qiáng)大的前端代碼生成模型，并詳細(xì)解釋了如何利用 LSTM 與 CNN 將設(shè)計(jì)原型編寫(xiě)為 HTML 和 CSS 網(wǎng)站。

項(xiàng)目鏈接：github.com/emilwallner…

在未來(lái)三年內(nèi)，深度學(xué)習(xí)將改變前端開(kāi)發(fā)。它將會(huì)加快原型設(shè)計(jì)速度，拉低開(kāi)發(fā)軟件的門(mén)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(dòng)化前端開(kāi)發(fā)的最大阻礙是計(jì)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(lái)探索人工智能自動(dòng)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(gè)設(shè)計(jì)模板來(lái)編寫(xiě)一個(gè) HTML 和 CSS 網(wǎng)站。以下是該過(guò)程的簡(jiǎn)要概述：

1）向訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)輸入一個(gè)設(shè)計(jì)圖

2）神經(jīng)網(wǎng)絡(luò)將圖片轉(zhuǎn)化為 HTML 標(biāo)記語(yǔ)言

3）渲染輸出

我們將分三步從易到難構(gòu)建三個(gè)不同的模型，首先，我們構(gòu)建最簡(jiǎn)單地版本來(lái)掌握移動(dòng)部件。第二個(gè)版本 HTML 專(zhuān)注于自動(dòng)化所有步驟，并簡(jiǎn)要解釋神經(jīng)網(wǎng)絡(luò)層。在最后一個(gè)版本 Bootstrap 中，我們將創(chuàng)建一個(gè)模型來(lái)思考和探索 LSTM 層。

代碼地址：

github.com/emilwallner…
www.floydhub.com/emilwallner…

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(gè)神經(jīng)網(wǎng)絡(luò)，能夠生成與截圖對(duì)應(yīng)的 HTML/CSS 標(biāo)記語(yǔ)言。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，你先提供幾個(gè)截圖和對(duì)應(yīng)的 HTML 代碼。網(wǎng)絡(luò)通過(guò)逐個(gè)預(yù)測(cè)所有匹配的 HTML 標(biāo)記語(yǔ)言來(lái)學(xué)習(xí)。預(yù)測(cè)下一個(gè)標(biāo)記語(yǔ)言的標(biāo)簽時(shí)，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(gè)簡(jiǎn)單的訓(xùn)練數(shù)據(jù)示例：docs.google.com/spreadsheet…。

創(chuàng)建逐詞預(yù)測(cè)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(cè)時(shí)，神經(jīng)網(wǎng)絡(luò)接收的是同樣的截圖。也就是說(shuō)如果網(wǎng)絡(luò)需要預(yù)測(cè) 20 個(gè)單詞，它就會(huì)得到 20 次同樣的設(shè)計(jì)截圖。現(xiàn)在，不用管神經(jīng)網(wǎng)絡(luò)的工作原理，只需要專(zhuān)注于神經(jīng)網(wǎng)絡(luò)的輸入和輸出。

我們先來(lái)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(cè)句子「I can code」。當(dāng)網(wǎng)絡(luò)接收「I」時(shí)，預(yù)測(cè)「can」。下一次時(shí)，網(wǎng)絡(luò)接收「I can」，預(yù)測(cè)「code」。它接收所有之前單詞，但只預(yù)測(cè)下一個(gè)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(lái)理解每個(gè)截圖的內(nèi)容和它所需要預(yù)測(cè)的 HTML 語(yǔ)法，這些都是為預(yù)測(cè)下一個(gè)標(biāo)記構(gòu)建知識(shí)。把訓(xùn)練好的模型應(yīng)用到真實(shí)世界中和模型訓(xùn)練過(guò)程差不多。

我們無(wú)需輸入正確的 HTML 標(biāo)記，網(wǎng)絡(luò)會(huì)接收它目前生成的標(biāo)記，然后預(yù)測(cè)下一個(gè)標(biāo)記。預(yù)測(cè)從「起始標(biāo)簽」（start tag）開(kāi)始，到「結(jié)束標(biāo)簽」（end tag）終止，或者達(dá)到最大限制時(shí)終止。

Hello World 版

現(xiàn)在讓我們構(gòu)建 Hello World 版實(shí)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(duì)應(yīng)的標(biāo)記語(yǔ)言。

首先，神經(jīng)網(wǎng)絡(luò)將原型設(shè)計(jì)轉(zhuǎn)換為一組像素值。且每一個(gè)像素點(diǎn)有 RGB 三個(gè)通道，每個(gè)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(kāi)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(kāi)始預(yù)測(cè)和結(jié)束預(yù)測(cè)的位置信息。以下是這些標(biāo)簽的各種組合以及對(duì)應(yīng) one-hot 編碼的情況。

我們會(huì)使每個(gè)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(gè)預(yù)測(cè)，每一行是一個(gè)預(yù)測(cè)。且左邊代表 RGB 三色通道和之前的詞，右邊代表預(yù)測(cè)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(gè)符號(hào)「start」、「Hello World」和「end」。字符級(jí)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(jí)的符號(hào)在這里可能有更好的性能。

以下是執(zhí)行預(yù)測(cè)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

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

我走過(guò)的坑：

在收集數(shù)據(jù)之前構(gòu)建第一個(gè)版本。在本項(xiàng)目的早期階段，我設(shè)法獲得 Geocities 托管網(wǎng)站的舊版存檔，它有 3800 萬(wàn)的網(wǎng)站。但我忽略了減少 100K 大小詞匯所需要的巨大工作量。
訓(xùn)練一個(gè) TB 級(jí)的數(shù)據(jù)需要優(yōu)秀的硬件或極其有耐心。在我的 Mac 遇到幾個(gè)問(wèn)題后，最終用上了強(qiáng)大的遠(yuǎn)程服務(wù)器。我預(yù)計(jì)租用 8 個(gè)現(xiàn)代 CPU 和 1 GPS 內(nèi)部鏈接以運(yùn)行我的工作流。
在理解輸入與輸出數(shù)據(jù)之前，其它部分都似懂非懂。輸入 X 是屏幕的截圖和以前標(biāo)記的標(biāo)簽，輸出 Y 是下一個(gè)標(biāo)記的標(biāo)簽。當(dāng)我理解這一點(diǎn)時(shí)，其它問(wèn)題都更加容易弄清了。此外，嘗試其它不同的架構(gòu)也將更加容易。
圖片到代碼的網(wǎng)絡(luò)其實(shí)就是自動(dòng)描述圖像的模型。即使我意識(shí)到了這一點(diǎn)，但仍然錯(cuò)過(guò)了很多自動(dòng)圖像摘要方面的論文，因?yàn)樗鼈兛雌饋?lái)不夠炫酷。一旦我意識(shí)到了這一點(diǎn)，我對(duì)問(wèn)題空間的理解就變得更加深刻了。

在 FloydHub 上運(yùn)行代碼

FloydHub 是一個(gè)深度學(xué)習(xí)訓(xùn)練平臺(tái)，我自從開(kāi)始學(xué)習(xí)深度學(xué)習(xí)時(shí)就對(duì)它有所了解，我也常用它訓(xùn)練和管理深度學(xué)習(xí)試驗(yàn)。我們能安裝它并在 10 分鐘內(nèi)運(yùn)行第一個(gè)模型，它是在云 GPU 上訓(xùn)練模型最好的選擇。若果讀者沒(méi)用過(guò) 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(jī)器上運(yùn)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(kāi)始運(yùn)行模型，那么在 floydhub/Helloworld/helloworld.ipynb 下可以找到第一個(gè) Notebook。更多詳情請(qǐng)查看本項(xiàng)目早期的 flags。

HTML 版本

在這個(gè)版本中，我們將關(guān)注與創(chuàng)建一個(gè)可擴(kuò)展的神經(jīng)網(wǎng)絡(luò)模型。該版本并不能直接從隨機(jī)網(wǎng)頁(yè)預(yù)測(cè) HTML，但它是探索動(dòng)態(tài)問(wèn)題不可缺少的步驟。

概覽

如果我們將前面的架構(gòu)擴(kuò)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(shí)別與轉(zhuǎn)換過(guò)程。

該架構(gòu)主要有兩個(gè)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(jì)和標(biāo)記語(yǔ)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(gè)單詞。隨后解碼器將結(jié)合原型設(shè)計(jì)特征和標(biāo)記特征以創(chuàng)建下一個(gè)標(biāo)簽的特征，這一個(gè)特征可以通過(guò)全連接層預(yù)測(cè)下一個(gè)標(biāo)簽。

設(shè)計(jì)原型的特征

因?yàn)槲覀冃枰獮槊總€(gè)單詞插入一個(gè)截屏，這將會(huì)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(yǔ)言所需要的信息來(lái)替代直接使用圖像。這些抽取的信息將通過(guò)預(yù)訓(xùn)練的 CNN 編碼到圖像特征中，且我們將使用分類(lèi)層之前的層級(jí)輸出以抽取特征。

我們最終得到 1536 個(gè) 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(duì)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(gè)句子的方式保持不變，但我們映射每個(gè)符號(hào)的方式將會(huì)變化。one-hot 編碼將每一個(gè)詞視為獨(dú)立的單元，而詞嵌入會(huì)將輸入數(shù)據(jù)表征為一個(gè)實(shí)數(shù)列表，這些實(shí)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(huì)根據(jù)詞匯表的大小在 50 到 500 間變動(dòng)。以上每個(gè)單詞的八個(gè)數(shù)值就類(lèi)似于神經(jīng)網(wǎng)絡(luò)中的權(quán)重，它們傾向于刻畫(huà)單詞之間的聯(lián)系（Mikolov alt el., 2013）。這就是我們開(kāi)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(huì)將輸入數(shù)據(jù)和輸出數(shù)據(jù)聯(lián)系起來(lái)。

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(huì)饋送到一個(gè) Time Distributed 密集層，該層級(jí)可以視為有多個(gè)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(gè)處理過(guò)程，其中圖像特征首先會(huì)展開(kāi)成一個(gè)向量，然后再饋送到一個(gè)全連接層而抽取出高級(jí)特征。這些圖像特征隨后會(huì)與標(biāo)記特征相級(jí)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(yǔ)句都會(huì)用零填充以獲得相同的向量長(zhǎng)度。

為了混合信號(hào)并尋找高級(jí)模式，我們運(yùn)用了一個(gè) 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(gè)輸入與輸出。

圖像特征

對(duì)于另一個(gè)平行的過(guò)程，我們需要將圖像的所有像素值展開(kāi)成一個(gè)向量，因此信息不會(huì)被改變，它們只會(huì)用來(lái)識(shí)別。

如上，我們會(huì)通過(guò)全連接層混合信號(hào)并抽取更高級(jí)的概念。因?yàn)槲覀儾⒉恢皇翘幚硪粋€(gè)輸入值，因此使用一般的全連接層就行了。

級(jí)聯(lián)圖像特征和標(biāo)記特征

所有的語(yǔ)句都被填充以創(chuàng)建三個(gè)標(biāo)記特征。因?yàn)槲覀円呀?jīng)預(yù)處理了圖像特征，所以我們能為每一個(gè)標(biāo)記特征添加圖像特征。

如上，在復(fù)制圖像特征到對(duì)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(lái)預(yù)測(cè)下一個(gè)標(biāo)簽。

在下面的案例中，我們使用三個(gè)圖像-標(biāo)簽特征對(duì)來(lái)輸出下一個(gè)標(biāo)簽特征。注意 LSTM 層不應(yīng)該返回一個(gè)長(zhǎng)度等于輸入序列的向量，而只需要預(yù)測(cè)預(yù)測(cè)一個(gè)特征。在我們的案例中，這個(gè)特征將預(yù)測(cè)下一個(gè)標(biāo)簽，它包含了最后預(yù)測(cè)的信息。

最后的預(yù)測(cè)

密集層會(huì)像傳統(tǒng)前饋網(wǎng)絡(luò)那樣工作，它將下一個(gè)標(biāo)簽特征中的 512 個(gè)值與最后的四個(gè)預(yù)測(cè)連接起來(lái)，即我們?cè)谠~匯表所擁有的四個(gè)單詞：start、hello、world 和 end。密集層最后采用的 softmax 函數(shù)會(huì)為四個(gè)類(lèi)別產(chǎn)生一個(gè)概率分布，例如 [0.1, 0.1, 0.1, 0.7] 將預(yù)測(cè)第四個(gè)詞為下一個(gè)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：

250 epochs：emilwallner.github.io/html/250_ep…
350 epochs：emilwallner.github.io/html/350_ep…
450 epochs：emilwallner.github.io/html/450_ep…
550 epochs：emilwallner.github.io/html/550_ep…

我走過(guò)的坑：

我認(rèn)為理解 LSTM 比 CNN 要難一些。當(dāng)我展開(kāi) LSTM 后，它們會(huì)變得容易理解一些。此外，我們?cè)趪L試?yán)斫?LSTM 前，可以先關(guān)注輸入與輸出特征。
從頭構(gòu)建一個(gè)詞匯表要比壓縮一個(gè)巨大的詞匯表容易得多。這樣的構(gòu)建包括字體、div 標(biāo)簽大小、變量名的 hex 顏色和一般單詞。
大多數(shù)庫(kù)是為解析文本文檔而構(gòu)建。在庫(kù)的使用文檔中，它們會(huì)告訴我們?nèi)绾瓮ㄟ^(guò)空格進(jìn)行分割，而不是代碼，我們需要自定義解析的方式。
我們可以從 ImageNet 上預(yù)訓(xùn)練的模型抽取特征。然而，相對(duì)于從頭訓(xùn)練的 pix2code 模型，損失要高 30% 左右。此外，我對(duì)于使用基于網(wǎng)頁(yè)截屏預(yù)訓(xùn)練的 inception-resnet 網(wǎng)絡(luò)很有興趣。

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(kù)（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(jiàn)過(guò)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(yàn)知識(shí)。

我們不在 bootstrap 標(biāo)記上訓(xùn)練，而是使用 17 個(gè)簡(jiǎn)化 token，將其編譯成 HTML 和 CSS。數(shù)據(jù)集（github.com/tonybeltram…）包括 1500 個(gè)測(cè)試截圖和 250 個(gè)驗(yàn)證截圖。平均每個(gè)截圖有 65 個(gè) token，一共有 96925 個(gè)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(cè)網(wǎng)絡(luò)組件的準(zhǔn)確率達(dá)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(shí)驗(yàn)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(jí)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(lái)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(gè)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(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)。我之前的文章中介紹過(guò) CNN 教程，本文主要介紹 LSTM。

理解 LSTM 中的時(shí)間步

關(guān)于 LSTM 比較難理解的是時(shí)間步。我們的原始神經(jīng)網(wǎng)絡(luò)有兩個(gè)時(shí)間步，如果你給它「Hello」，它就會(huì)預(yù)測(cè)「World」。但是它會(huì)試圖預(yù)測(cè)更多時(shí)間步。下例中，輸入有四個(gè)時(shí)間步，每個(gè)單詞對(duì)應(yīng)一個(gè)時(shí)間步。

LSTM 適合時(shí)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(kāi)圖示如下，對(duì)于每個(gè)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(jí)聯(lián)后輸入到激活函數(shù)，并作為當(dāng)前時(shí)間步的輸出。因?yàn)槲覀冎貜?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(shí)。下面是 LSTM 在每一個(gè)時(shí)間步上的簡(jiǎn)化版處理過(guò)程：

理解 LSTM 層級(jí)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(duì)應(yīng)于每一個(gè)輸出特征的維度大小。LSTM 層級(jí)中的每一個(gè)單元將學(xué)習(xí)如何追蹤句法的不同方面。以下是一個(gè) LSTM 單元追蹤標(biāo)簽行信息的可視化，它是我們用來(lái)訓(xùn)練 bootstrap 模型的簡(jiǎn)單標(biāo)記語(yǔ)言。

每一個(gè) LSTM 單元會(huì)維持一個(gè)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(guò)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(gè)時(shí)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(cè)試準(zhǔn)確率

找到一種測(cè)量準(zhǔn)確率的優(yōu)秀方法非常棘手。比如一個(gè)詞一個(gè)詞地對(duì)比，如果你的預(yù)測(cè)中有一個(gè)詞不對(duì)照，準(zhǔn)確率可能就是 0。如果你把百分百對(duì)照的單詞移除一個(gè)，最終的準(zhǔn)確率可能是 99/100。

我使用的是 BLEU 分值，它在機(jī)器翻譯和圖像描述模型實(shí)踐上都是最好的。它把句子分解成 4 個(gè) n-gram，從 1-4 個(gè)單詞的序列。在下面的預(yù)測(cè)中，「cat」應(yīng)該是「code」。

為了得到最終的分值，每個(gè)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(zhǎng)度的懲罰函數(shù)。因?yàn)樵谖覀兊氖纠校L(zhǎng)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(gè) n-gram 的模型是最為對(duì)應(yīng)人類(lèi)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：

Generated website 1 - Original 1 (emilwallner.github.io/bootstrap/r…)
Generated website 2 - Original 2 (emilwallner.github.io/bootstrap/r…)
Generated website 3 - Original 3 (emilwallner.github.io/bootstrap/r…)
Generated website 4 - Original 4 (emilwallner.github.io/bootstrap/r…)
Generated website 5 - Original 5 (emilwallner.github.io/bootstrap/r…)

我走過(guò)的坑：

理解模型的弱點(diǎn)而不是測(cè)試隨機(jī)模型。首先我使用隨機(jī)的東西，比如批歸一化、雙向網(wǎng)絡(luò)，并嘗試實(shí)現(xiàn)注意力機(jī)制。在查看測(cè)試數(shù)據(jù)，并知道其無(wú)法高精度地預(yù)測(cè)顏色和位置之后，我意識(shí)到 CNN 存在一個(gè)弱點(diǎn)。這致使我使用增加的步幅來(lái)取代最大池化。驗(yàn)證損失從 0.12 降至 0.02，BLEU 分值從 85% 增加至 97%。
如果它們相關(guān)，則只使用預(yù)訓(xùn)練模型。在小數(shù)據(jù)的情況下，我認(rèn)為一個(gè)預(yù)訓(xùn)練圖像模型將會(huì)提升性能。從我的實(shí)驗(yàn)來(lái)看，端到端模型訓(xùn)練更慢，需要更多內(nèi)存，但是精確度會(huì)提升 30%。
當(dāng)你在遠(yuǎn)程服務(wù)器上運(yùn)行模型，我們需要為一些不同做好準(zhǔn)備。在我的 mac 上，它按照字母表順序讀取文檔。但是在服務(wù)器上，它被隨機(jī)定位。這在代碼和截圖之間造成了不匹配。

下一步

前端開(kāi)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(gè)最讓人激動(dòng)的領(lǐng)域是注意力機(jī)制在 LSTM 上的應(yīng)用。這不僅會(huì)提升精確度，還可以使我們可視化 CNN 在生成標(biāo)記時(shí)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(yǔ)言之間保持通信。

但是在不久的將來(lái)，最大的影響將會(huì)來(lái)自合成數(shù)據(jù)的可擴(kuò)展方法。接著你可以一步步添加字體、顏色和動(dòng)畫(huà)。目前為止，大多數(shù)進(jìn)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(shí)間里，我們將創(chuàng)建一個(gè)草圖，它會(huì)在一秒之內(nèi)找到相應(yīng)的前端。Airbnb 設(shè)計(jì)團(tuán)隊(duì)與 Uizard 已經(jīng)創(chuàng)建了兩個(gè)正在使用的原型。下面是一些可能的試驗(yàn)過(guò)程：

實(shí)驗(yàn)

開(kāi)始

運(yùn)行所有模型
嘗試不同的超參數(shù)
測(cè)試一個(gè)不同的 CNN 架構(gòu)
添加雙向 LSTM 模型
用不同數(shù)據(jù)集實(shí)現(xiàn)模型

進(jìn)一步實(shí)驗(yàn)

使用相應(yīng)的語(yǔ)法創(chuàng)建一個(gè)穩(wěn)定的隨機(jī)應(yīng)用/網(wǎng)頁(yè)生成器
從草圖到應(yīng)用模型的數(shù)據(jù)。自動(dòng)將應(yīng)用/網(wǎng)頁(yè)截圖轉(zhuǎn)化為草圖，并使用 GAN 創(chuàng)建多樣性。
應(yīng)用注意力層可視化每一預(yù)測(cè)的圖像聚焦，類(lèi)似于這個(gè)模型
為模塊化方法創(chuàng)建一個(gè)框架。比如，有字體的編碼器模型，一個(gè)用于顏色，另一個(gè)用于排版，并使用一個(gè)解碼器整合它們。穩(wěn)定的圖像特征是一個(gè)好的開(kāi)始。
饋送簡(jiǎn)單的 HTML 組件到神經(jīng)網(wǎng)絡(luò)中，并使用 CSS 教其生成動(dòng)畫(huà)。使用注意力方法并可視化兩個(gè)輸入源的聚焦將會(huì)很迷人。

原文鏈接：blog.floydhub.com/turning-des…

本文為機(jī)器之心編譯，轉(zhuǎn)載請(qǐng)聯(lián)系本公眾號(hào)獲得授權(quán)。

、JS生成隨機(jī)字符串

第一種：內(nèi)置函數(shù)方法

Math.random(); //該方法產(chǎn)生一個(gè)0到1之間的浮點(diǎn)數(shù)。
延伸：
 Math.floor(Math.random()*10+1); //生成1-10的隨機(jī)數(shù)
 Math.floor(Math.random()*10);//生成0-9的隨機(jī)數(shù)
 函數(shù)方法：
 function rand ( n )
 {
 return ( Math.floor ( Math.random ( ) * n + 1 ) );
 }

// 調(diào)用方法
rand(100);生成1-100的隨機(jī)數(shù)。

第二種：奇妙的寫(xiě)法（最近湊的解決方案）

優(yōu)雅的獲取數(shù)字+字母組成的字符串
Math.random().toString(36).slice(-8)
或者：
(+new Date).toString(36).slice(-5);

Math.random(); // 結(jié)果為0-1間的一個(gè)隨機(jī)數(shù)(包括0,不包括1) 
.toString(36) // 將數(shù)字轉(zhuǎn)換為基數(shù)為36的字符串，即使用字符0-9和az。
.slice(-8);				 // 截取最后八位 : "yo82mvyr"

36進(jìn)制包含的字符為 0-9，a-z
10進(jìn)制包含的字符為為 0-9
16進(jìn)制包含的字符為 0-9，a-f

缺點(diǎn)：
 只能生成有 0-9、a-z字符組成的字符串
 由于 Math.random()生成的18位小數(shù)，可能無(wú)法填充36位，最后幾個(gè)字符串，只能在指定的幾個(gè)字符中選擇。導(dǎo)致隨機(jī)性降低。
 某些情況下會(huì)返回空值。例如，當(dāng)隨機(jī)數(shù)為 0, 0.5, 0.25, 0.125...時(shí)，返回為空值。
 在我的電腦上執(zhí)行這種方式生成字符串。1000萬(wàn)次中出現(xiàn)重復(fù)的概率為 0。

改進(jìn)：
 (Math.random().toString(36)+'00000000000000000').slice(2, N+2)

其次，上面的原始和解決方案都將字符串大小N限制為16個(gè)字符。 以下將返回任意N的大小為N的字符串（但請(qǐng)注意，使用N> 16不會(huì)增加隨機(jī)性或降低碰撞概率）：
Array(N+1).join((Math.random().toString(36)+'00000000000000000').slice(2, 18)).slice(0, N)
說(shuō)明：
 1、在[0,1）范圍內(nèi)選取一個(gè)隨機(jī)數(shù)，即在0（包含）和1（不包括）之間。
 將數(shù)字轉(zhuǎn)換為基數(shù)為36的字符串，即使用字符0-9和az。
 2、用零填充（解決第一個(gè)問(wèn)題）。
 3、切掉領(lǐng)先的'0'。 前綴和額外填充零。
 4、重復(fù)該字符串足夠多的時(shí)間以使其中至少有N個(gè)字符（通過(guò)使用較短的隨機(jī)字符串作為分隔符加入空字符串）。
 5、從字符串中切分N個(gè)字符。
更多的想法：
 1、這個(gè)解決方案不使用大寫(xiě)字母，但幾乎在所有情況下（沒(méi)有雙關(guān)語(yǔ)意思），這并不重要。
 2、在Chrome中測(cè)量原始答案中N=16時(shí)的最大字符串長(zhǎng)度。 在Firefox中，它的N=11。但正如所解釋的，第二種解決方案是支持任何請(qǐng)求的字符串長(zhǎng)度，而不是添加隨機(jī)性，所以它沒(méi)有太大區(qū)別。
 3、所有返回的字符串返回的概率相等，至少就Math.random（）返回的結(jié)果均勻分布（在任何情況下，這不是密碼強(qiáng)度隨機(jī)性）。
 4、并非所有可能的大小為N的字符串都可能被返回。 在第二種解決方案中，這是顯而易見(jiàn)的（因?yàn)檩^小的字符串僅被復(fù)制），但在原始答案中也是如此，因?yàn)樵谵D(zhuǎn)換為基數(shù)-36時(shí)，最后幾位可能不是原始隨機(jī)位的一部分。 具體來(lái)說(shuō)，如果您查看Math.random（）。toString（36）的結(jié)果，您會(huì)注意到最后一個(gè)字符不是均勻分布的。 同樣，在幾乎所有情況下，它都沒(méi)有關(guān)系，但是我們從最開(kāi)始的字符串開(kāi)始，而不是隨機(jī)字符串的結(jié)尾，以便短字符串（例如N=1）不受影響。

第三種：自定義函數(shù)（生成指定位數(shù)的數(shù)字字母混合的字符串）

/**
 * randomWord 產(chǎn)生任意長(zhǎng)度隨機(jī)字母數(shù)字組合
 * @param randomFlag 是否任意長(zhǎng)度 min-任意長(zhǎng)度最小位[固定位數(shù)] max-任意長(zhǎng)度最大位
 * @param min
 * @param max
 * @returns {string}
 */
function randomWord(randomFlag, min, max){
 var str="",
 range=min,
 // 字母，數(shù)字
 arr=['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z'];
 // 隨機(jī)產(chǎn)生
 if(randomFlag){
 range=Math.round(Math.random() * (max-min)) + min;
 }
 for(var i=0; i<range; i++){
 pos=Math.round(Math.random() * (arr.length-1));
 str +=arr[pos];
 }
 return str;
}

調(diào)用方法
// 生成 3 - 32 位隨即字符串
randomWord(true,3,32); // 例如：olyOXUF5oDsuMmXl3Mi48
// 生成 32 位隨機(jī)字符串
randomWord(false,32); // 例如：fjpnWj29Bb8boiXbLeDF0nxkR4aYcLRl

第四種：不需要輸入字符集合

function randomstring(L){
 var s='';
 var randomchar=function(){
 	var n=Math.floor(Math.random()*62);
 	if(n<10) return n; //1-10
 	if(n<36) return String.fromCharCode(n+55); //A-Z
 	return String.fromCharCode(n+61); //a-z
 }
 while(s.length< L) s+=randomchar();
 return s;
}

// 調(diào)用方法
randomstring(5);

第五種：支持自定義字符長(zhǎng)度和特征字符集合

function randomString(len, charSet) {
 charSet=charSet || 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789';
 var randomString='';
 for (var i=0; i < len; i++) {
 	var randomPoz=Math.floor(Math.random() * charSet.length);
 	randomString +=charSet.substring(randomPoz,randomPoz+1);
 }
 return randomString;
}

// 調(diào)用方法
var randomValue=randomString(5);
var randomValue=randomString(5, 'PICKCHARSFROMTHISSET');

第六種：最輕量級(jí)的方式（代碼輕，而不是CPU）

function rand(length, current) {
 current=current ? current : '';
 return length ? rand(--length, "0123456789ABCDEFGHIJKLMNOPQRSTUVWXTZabcdefghiklmnopqrstuvwxyz".charAt(Math.floor(Math.random() * 60)) + current) : current;
}
console.log(rand(5));

第七種：在循環(huán)中使用它，它可能不是5個(gè)字符，但保證每個(gè)ID是唯一的

在線(xiàn)咨詢(xún)

上一篇：HTML body屬性
下一篇："Webpack實(shí)戰(zhàn)：手把手教你輕

您的項(xiàng)目需求

*請(qǐng)認(rèn)真填寫(xiě)需求信息，我們會(huì)在24小時(shí)內(nèi)與您取得聯(lián)系。

整合營(yíng)銷(xiāo)服務(wù)商

HTML+CSS+JS隨機(jī)生成驗(yàn)證碼

深度學(xué)習(xí)自動(dòng)生成HTML代碼

、JS生成隨機(jī)字符串

您的項(xiàng)目需求