Machine Learning 是如何辨認你的塗鴉？讓 Google 訪問學者解一下

在 Machine Learning 成為一個熱門話題的時侯，怎可以對它完全沒有認知！其中一個很有趣的範疇就是用於圖像辨識的 AI ，以 Google 為例就有 Quick Draw 遊戲與 AutoDraw  應用，那麼背後的原理是什麼呢？這次由 Google 的訪問學者 David Ha 跟我們講解。

利用概念化 ( Generalization) 而不是記憶 (Memorization) 的 Quick Draw!

Google 的其中一個研究項目 Magenta 是希望透過機械學習提升創造音樂、影片、圖像和文字的過程，這個社群中雲集了藝術家、編程人員和機械學習研究人員，他們嘗試在藝術中找尋「規律」，利用神經網絡去輔助創作，而他們其中一位人員 David Ha 早前以 Quick Draw 這個小遊戲背後的架構去講解原理。

當中它使用遞歸神經網絡（ recurrent neural network) 去訓練機械學習人類繪畫、理解及表達抽像概念的方式，以總結來說這是一個「概率性」的機制，把物件的特徵化為概念，而不是以某種算法構成草圖的複制品，同時於 Quick Draw 上面已經有超過 5000 萬個資入的資料，這是一個持續學習和更改算法的過程。

到底是如何做到呢？相信大家都會問，David 亦簡單解說了一下架構：由先從人手畫出草圖，再將資訊陣列量化，然後進行編碼學習；中途於 Z 位置加入一些雜訊打亂資料，再把資料解碼輸出成新的圖案，透過對比輸入與輸出的圖片，我們會知道算法是否合理。

David 亦提到 Z 所儲存的樣本相當少，原因是希望增加雜訊比率，因為他們需要的不是從 Input 複雜一個類似的草圖，而是希望算法本身就是歸納物件（例如就是圖中的「貓」）為理念，再輸出全新的圖樣。

而透過機械學習， QuickDraw 有以下特性：

• 理解物件特徵：模型會知道物件的共性，即使輸入三隻眼的貓，圖樣經過計算後仍會輸出正常貓咪的圖樣。

• 插入潛在空間（Laten space interpolation)；模型學會構建圖樣（貓）的時侯為身體接上頭、腳和尾巴。
• 向量繪圖類比（Vector drawing analogies) :模型透過組織草圖的潛在空間以表達多種不同的概念。

那麼透過機械學習可以如何幫助藝術創作呢？它可以利用機械生成大量相似但各不相同的設計，可以為幾筆的塗鴉創作更多可能性，亦可以輔助藝術家把物件的概念畫出來。畢竟人類對「貓」、「狗」、「桌子」已經有概定的理念，而萬變不離其中，機械學習到概念之後也可以自我生成。

就像之前的 AutoDraw 可以利用幾筆生成自動圖型，而將來的理想是利用機械生成文字、圖案或是音樂，話雖如此，David 亦提到機械沒有情感與「藝術感」，這單單是一個輔助而已，並不能取代人類的審美能力。

David 更同時提到，只要利用 TensorFlow 這套開源的 Machine Learing 碼就可以打造自己個人的 AI ，更詳細關於圖像的 ML 可以到 Google 參看。