人工智能算法--猜画小歌

最新推荐文章于 2022-12-31 11:06:40 发布

小鬼妹妹编程史

最新推荐文章于 2022-12-31 11:06:40 发布

阅读量848

点赞数

本文链接：https://blog.csdn.net/wlm123565/article/details/83176121

版权

最近领导让研究一下猜画小歌的底层原理，下面是自己总结的，不合适的地方，请大家留言指点，谢谢！

1.简化图形文件：将数据定位并缩放到256x256区域。数据以ndjson格式导出，其元数据与原始格式相同。

简化过程是：

1.1.将图形与左上角对齐，使其最小值为0。

1.2.均匀缩放绘图，最大值为255。

1.3.以1像素间距重新采样所有笔划。

2.使用Ramer-Douglas-Peucker算法简化所有笔划，epsilon值为2.0

Ramer-Douglas-Peucker算法：转下一页PPT

3.二进制文件（.bin）

简化的图纸和元数据也以自定义二进制格式提供，以实现高效压缩和加载。

4.Numpy位图（.npy）

所有简化的图纸都以numpy .npy格式渲染成28x28灰度位图。可以使用np.load（）加载这些文件。这些图像是从简化数据生成的，但是与图形边界框的中心对齐，而不是左上角。

5. Sketch-RNN QuickDraw数据集

该数据还用于训练Sketch-RNN模型。 Magenta项目中提供了该模型的开源TensorFlow实现（链接到GitHub repo）。您还可以在此Google研究博客文章中阅读有关此模型的更多信息。数据以适合输入到递归神经网络的格式存储在压缩的.npz文件中。

在该数据集中，从每个类别中随机选择了75K样本（70K训练，2.5K验证，2.5K测试），使用ε参数2.0进行RDP线简化处理。每个类别都将存储在自己的.npz文件中，例如cat.npz。