原文链接
http://click.aliyun.com/m/23528/
79b373d51eb109fd75ac6dd612fe1d96b9107ad9
本文是作者最近发布的Google QuickDraw数据集一系列笔记中的第三部分，使用的最近发布的SketchRNN模型。下面介绍QuickDraw数据集及SketchRNN模型。
QuickDraw数据集是由世界各地1500多万人参与的“快速绘画” AI实验后收集数百万幅图画建成，要求参与者在20秒内绘制出属于某个类（例如“猫”）的图像。如下图所示，选择一个类别，可以看见数据库中该类所有的形状。
2fe2089ec0ed5b84a527913712fa475ca9591aea
当然，如果数据集中没有和你想象一样的形状，你也可以帮助向该数据库中增添一些涂鸦，进行个人绘画表演。
25e02e433cc92c54480a29cf266faf369ffa9b74 49417fcbdccba38dd7d1d93ee3ca314c04d4d095
SketchRNN是基于上述数据集训练的生成模型，被训练成能够生成矢量图，它巧妙地集合了机器学习中最近开发的许多最新的工具和技术，例如Variational Autoencoders、HyperLSTMs（一个用于LSTM的HyperNetwork）、自回归模型 ，Layer Normalization、Recurrent Dropout、Adam optimizer等。
SketchRNN系统是由谷歌探究AI能否创作艺术的新项目的一部分，类似于教AI去绘画，另外不仅仅是让人工智能学习如何画画，还要能够“用类似于人类的方式概括归纳抽象的概念”，比如去画“猪”的广义概念，而不是画特定的动物，这显然不是一件简单的事情（下图 SketchRNN系统画的“猪”）。
70a2d2c1d429e95023c9ba0b0674aa0373548164
该模型能够将你的灵魂画作对应成实际的物品，当然，如果画作太过于抽象，暂时是无法识别或者是识别错误，毕竟它还没有学会读心术（自己画的自行车，系统无法识别）。
e6f82e43b014419c1744cd5f513148c9528ca3762bbd775563fe7e0fa81f490ff7055730bef5f2aa
本文代码舍弃了那些旨在解释或演示的代码块，只保留了运行实验所需的代码。“潜在空间中的主成分分析 ”部分的所有内容是直接从以前的博客中摘取。随意跳过该部分，因为接下来是真正有趣的分析。这里是第一篇和第二篇博客的链接，之前所讲述的一切都是一些实用功能，以便于现在的可视化分析。
原文链接
http://click.aliyun.com/m/23528/
分享到：
相关推荐
**T-SNE（t-distributed Stochastic Neighbor Embedding）是一种降维可视化技术，常用于将高维数据映射到二维或三维空间，以便于观察数据的结构和分布。在这个MATLAB版本的示例中，我们将深入探讨如何使用T-SNE来...
通过对数据点之间的相似性进行建模，T-SNE能够在低维空间中保持数据的局部结构，从而为数据科学家提供了深入理解数据模式的有效手段。尽管T-SNE在某些方面存在局限性，如计算成本较高以及可能存在的过度拥挤问题，但...
**算法源码-数据处理：基于t-SNE算法的降维可视化实例** t-distributed Stochastic Neighbor Embedding（t-SNE）是一种强大的非线性降维技术，常用于高维数据的可视化。它能将高维数据转换为二维或三维空间，保留...
- 通过对比例如PCA等线性降维方法，t-SNE在处理非线性关系和复杂数据结构时表现更优。 **6. 应用示例** 在机器学习实践中，t-SNE常用于数据可视化，如在鸢尾花数据集（Iris dataset）上的应用，可以帮助我们直观地...
数据降维PCA、LDA、t-SNE介绍
PCA（主成分分析）与T-SNE（T分布随机邻居嵌入）是两种常见的数据分析和可视化技术，尤其在高维数据处理中应用广泛。在这个项目中，它们被应用于Kaggle上的预定义中文MNIST数据集，以进行汉字的识别。 1. **PCA...
使用 t-SNE 方法可视化我自己的数据的 reid_features 示例
通过将高维数据映射到二维或三维空间，t-SNE能够保留数据点之间的相对距离，从而揭示出数据的潜在分布和聚类情况。 t-SNE的基本思想是，首先在高维空间中计算数据点之间的相似度，通常使用概率分布来表示这些相似度...
标题中的“11个经典降维算法”涵盖了数据科学领域常用的数据降维技术，这些算法在处理高维数据时尤其重要，因为它们可以帮助我们减少计算复杂性，提高模型的可解释性和可视化效果。以下是这些算法的详细介绍： 1. *...
这是在机器学习中涉及到的无监督学习相关的算法，如：k-means、LDA、LLE、LSA、NMF、PCA、t-SNE、混合高斯分布等算法的基础示例代码，已经在博客中记录。建议结合主页专栏【Python从入门到人工智能】学习，效果会更...
本资源“美赛各题型常见参考代码：基于t-sne算法的降维可视化实例”提供了使用t-SNE（t-distributed Stochastic Neighbor Embedding）算法进行数据降维和可视化的实例，这对于参与类似美国数学建模竞赛（简称美赛）...
PCA和T-SNE此数据取自Kaggle（从Kaggle下载的MNIST数据集： ://www.kaggle.com/c/digit-recognizer/data）在这里，我只是想看看幕后发生的事情以及两者之间的区别这只是减少尺寸的一个例子。先决条件（线性代数，...
综上所述，无监督学习在图像数据处理中发挥着关键作用，通过K-Means、PCA、t-SNE和GMM等工具，我们可以有效地探索和理解大量未标记的图像数据。在实际应用中，这些技术可以帮助我们发现数据的隐含规律，进而为后续的...
本文将从概念和实证角度对比几种主要的降维算法：主成分分析(PCA)，核主成分分析(KPCA)，线性判别分析(LDA)，多维尺度(MDS)，奇异值分解(SVD)，局部线性嵌入(LLE)，等距映射(ISOMAP)，局部等距嵌入(LE)，独立成分...
综上所述，PCA是数据分析中的一种重要工具，尤其适用于处理高维数据，通过降维来揭示数据的主要结构，简化数据的理解和分析过程。在实际操作时，我们需要根据数据特性及应用场景合理选择并运用PCA。