擊右上方紅色按鈕關注“web秀”，讓你真正秀起來！

前言

要理解 JavaScript中淺拷貝和深拷貝的區(qū)別，首先要明白JavaScript的數(shù)據(jù)類型。JavaScript有兩種數(shù)據(jù)類型，基礎數(shù)據(jù)類型和引用數(shù)據(jù)類型。

1. 基礎數(shù)據(jù)類型： undefined、boolean、number、string、null，保存在棧內存中的簡單數(shù)據(jù)

2. 引用數(shù)據(jù)類型：Array、對象、Function，保存在堆內存空間中

概述

如下圖：

注釋：

a1=0;a2='this is str';a3=null， 存放在棧內存中；

var c=[1,2,3] 與 var d={m:20} ，**變量名與內存地址存儲在棧內存中**，**但是**[1,2,3]與{m:20} 作為**對象存儲在堆內存中**；

基礎數(shù)據(jù)類型的復制

var a=20；
var b=a；

如下圖：

引用數(shù)據(jù)類型的復制

var m={
	a:10,
	b:20
}；
var n=m；

m與n指向同一個內存空間，當m或者n改變時，另一個也跟著改變

如

m.a='web秀';
console.log(n.a);
// 輸出 web秀

怎么樣使引用數(shù)據(jù)類型有各自獨立的內存空間？？？

深度拷貝方法

采用遞歸的方法拷貝對象

## 奇技淫巧

利用**基礎數(shù)據(jù)類型**方式，把對象轉換成字符串，進行復制。具體點說就是，用JSON.stringify與JSON.parse實現(xiàn)深拷貝。原因是JSON.stringify(obj)轉換成字符串，變成基本數(shù)據(jù)類型，基本類型拷貝是直接在棧內存新開空間，直接復制一份名-值，不影響之前的對象。請看代碼：

總結

1. 淺拷貝（shallow copy）：只復制指向某個對象的指針，而不復制對象本身，新舊對象共享一塊內存；

2. 深拷貝（deep copy）：復制并創(chuàng)建一個一摸一樣的對象，不共享內存，修改新對象，舊對象保持不變；

實現(xiàn)深拷貝主要有2種方法

（1）遞歸

（2）JSON.stringify結合JSON.parse

公告

喜歡小編的點擊關注哦，了解更多知識！

者：Zied Haj-Yahia

翻譯：張玲

校對：丁楠雅

本文約2500字，建議閱讀15分鐘。

本文為你簡要介紹深度學習的基本構成、模型優(yōu)化的幾種方式和模型訓練的一些最佳實踐。

一年多來，我在LinkedIn、Medium和Arxiv上閱讀了不少深度學習相關文章和研究論文。當我?guī)字苤伴_始麻省理工學院6.S191深度學習在線課程（這里是課程網(wǎng)站的鏈接）以后，我決定寫下這一系列的文章來加深我對深度學習的結構化理解。

我將發(fā)布以下4個課程：

• 深度學習簡介
• 基于神經(jīng)網(wǎng)絡的序列建模
• 計算機視覺中的深度學習-卷積神經(jīng)網(wǎng)絡
• 深度生成模型

對于每門課程，我將概述主要概念，并根據(jù)以前的閱讀資料以及我在統(tǒng)計學和機器學習方面的背景增加更多的細節(jié)和解釋。

從第2課程開始，我還將為每一課的開源數(shù)據(jù)集添加一個應用程序。

好的，讓我們開始吧！

深度學習簡介

背景

傳統(tǒng)的機器學習模型在處理結構化數(shù)據(jù)方面一直非常強大，并且已經(jīng)被企業(yè)廣泛用于信用評分、客戶流失預測、消費者定位等。

這些模型的成功很大程度上取決于特征工程階段的性能：我們越接近業(yè)務，從結構化數(shù)據(jù)中提取相關知識越多，模型就越強大。

當涉及到非結構化數(shù)據(jù)（圖像、文本、語音、視頻）時，手動特征工程是耗時的、脆弱的，而且在實踐中是不可擴展的，這就是神經(jīng)網(wǎng)絡因其可以從原始數(shù)據(jù)中自動發(fā)現(xiàn)特征或者分類所需要的表示而越來越受歡迎的原因。它取代手動特征工程，允許一臺機器既能學習特征又能利用這些特征執(zhí)行特定的任務。

硬件（GPU）和軟件（與AI相關的高級模型/研究）的進步也提升了神經(jīng)網(wǎng)絡的學習效果。

基本架構

深度學習的基本組成部分是感知器，它是神經(jīng)網(wǎng)絡中的單個神經(jīng)元。

給定一組有限的m個輸入（例如，m個單詞或m個像素），我們將每個輸入乘以一個權重

，然后對輸入的加權組合進行求和，并添加一個偏差，最后將它們輸入非線性激活函數(shù)，輸出

。

• 偏差會向輸入空間添加另一個維度。因此，在輸入全零向量的情況下，激活函數(shù)依然提供輸出。它在某種程度上是輸出的一部分，與輸入無關。
• 激活函數(shù)的目的是將非線性引入網(wǎng)絡。實際上，無論輸入分布如何，線性激活函數(shù)都會產生線性決策。非線性使我們能夠更好地逼近任意復雜的函數(shù)，這里有一些常見的激活函數(shù)示例：

深度神經(jīng)網(wǎng)絡只是組合多個感知器（隱藏層），以產生輸出。

現(xiàn)在，我們已經(jīng)了解了深度神經(jīng)網(wǎng)絡的基本架構，讓我們看看它如何用于給定的任務。

訓練神經(jīng)網(wǎng)絡

比方說，對于一組X射線圖像，我們需要模型來自動區(qū)分病人與正常人。

為此，機器學習模型需要像人一樣通過觀察病人和正常人的圖像來學會區(qū)分這兩類圖像。因此，它們自動理解可以更好地描述每類圖像的模式，這就是我們所說的訓練階段。

具體地說，模式是一些輸入（圖像、部分圖像或其他模式）的加權組合。因此，訓練階段只不過是我們估計模型權重（也稱為參數(shù)）的階段。

當談論估計時，談論的是我們必須優(yōu)化的目標函數(shù)。構建這個函數(shù)，應該最好地反映訓練階段的性能。當涉及到預測任務時，這個目標函數(shù)通常稱為損失函數(shù)，度量不正確的預測所產生的成本。當模型預測非常接近真實輸出的東西時，損失函數(shù)非常低，反之亦然。

在存在輸入數(shù)據(jù)的情況下，我們計算經(jīng)驗損失（分類的二元交叉熵損失和回歸的均方差損失）來度量整個數(shù)據(jù)集上的總損失。

由于損失是網(wǎng)絡權重的函數(shù)，我們的任務是找到實現(xiàn)最低損失的權重集：

如果只有兩個權重

，我們可以繪制下面的損失函數(shù)圖。我們想要做的是找出這種損失的最小值，從而找出損失達到最小值時的權重值。

為了最小化損失函數(shù)，我們可以應用梯度下降算法：

• 首先，我們隨機選擇權重的初始p向量（例如，遵循正態(tài)分布）。
• 然后，我們計算初始p向量中損失函數(shù)的梯度。
• 梯度方向指示的是使損失函數(shù)最大化的方向。 因此，我們在梯度的反方向上邁出了一小步，使用此更新規(guī)則相應地更新權重值：

• 我們不斷移動，直至收斂達到這張圖的最低點（局部最小值）。

注意：

• 在更新規(guī)則中，

• 是學習率，決定著我們在梯度反方向上移動步伐的大小。它的選擇非常重要，因為現(xiàn)代神經(jīng)網(wǎng)絡的架構是非常非凸的。如果學習率太低，模型可能陷入局部最小值；如果學習率太大，模型則可能發(fā)散。可以采用自適應學習率來調整梯度每次迭代時的學習率。有關更詳細的說明，請閱讀Sebastian Ruder對梯度下降優(yōu)化算法的概述。
• 為了計算給定向量的損失函數(shù)的梯度，我們使用反向傳播。考慮上面的簡單神經(jīng)網(wǎng)路絡，它包含一個隱含層和一個輸出層。想要計算與每個參數(shù)有關的損失函數(shù)的梯度

• ，首先，應用鏈規(guī)則，因為

• 。然后，再次應用鏈規(guī)則來將梯度反向傳播給前一層。出于同樣的原因，我們可以這樣做，因為

• （隱藏狀態(tài)）僅取決于輸入

• 。因此，反向傳播包括使用來自后面層的梯度對網(wǎng)絡中每個權重重復這樣的過程。

神經(jīng)網(wǎng)絡實踐

• 在存在大數(shù)據(jù)集的情況下，關于每個權重的梯度計算可能非常昂貴（考慮反向傳播中的鏈規(guī)則）。為此，我們可以計算數(shù)據(jù)子集（小批量）的梯度，將其作為真實梯度的估計值。它能給出比僅隨機進行一次觀察的隨機梯度下降（SGD）更準確的梯度估計值，而且比使用全部數(shù)據(jù)進行梯度計算的方式要快。每次迭代使用小批量梯度計算，可以快速訓練模型，特別是當我們使用不同的線程（GPU）時。我們可以并行計算每個迭代：每個權重和梯度的批處理在單獨的線程中計算。然后，收集計算以完成迭代。
• 和任何其他“經(jīng)典”機器學習算法一樣，神經(jīng)網(wǎng)絡可能面臨過度擬合的問題。理想情況下，在機器學習中，我們希望構建這樣的模型：能夠從訓練數(shù)據(jù)中學習問題描述，而且也能夠很好地概括看不見的測試數(shù)據(jù)。正則化是一種限制優(yōu)化問題、避免產生復雜模型（即避免記憶數(shù)據(jù)）的方法。當談論正則化時，我們通常會討論Dropout。它在訓練階段隨機丟棄（丟棄，即將相關激活設置為0）某些隱藏神經(jīng)元或者在有可能過度擬合的情況下提前結束訓練過程。為此，我們計算相對于訓練迭代次數(shù)的訓練和測試階段的損失。當測試階段的損失函數(shù)開始增加時，我們停止學習。

總結

第一篇文章是對深度學習的介紹，可歸納為3個要點：

• 首先，我們了解了深度學習的基本組成部分，即感知器。
• 然后，我們學會了將這些感知器組合在一起以組成更復雜的層次模型，并學會了如何使用反向傳播和梯度下降從數(shù)學上來優(yōu)化這些模型。
• 最后，我們已經(jīng)看到了在現(xiàn)實生活中訓練這些模型的一些實際挑戰(zhàn)，以及一些最佳實踐，如自適應學習，批處理和避免過度擬合的正則化。

下一篇文章將是關于神經(jīng)網(wǎng)絡的序列建模。我們將學習如何模擬序列，重點關注遞歸神經(jīng)網(wǎng)絡（RNN）及其短期記憶和長期短期記憶（LSTM）以及它們在多個時間步長內跟蹤信息的能力。

敬請關注！

原文標題：Introduction to Deep Learning原文鏈接：https://www.kdnuggets.com/2018/09/introduction-deep-learning.html

譯者簡介

張玲，在崗數(shù)據(jù)分析師，計算機碩士畢業(yè)。從事數(shù)據(jù)工作，需要重塑自我的勇氣，也需要終生學習的毅力。但我依舊熱愛它的嚴謹，癡迷它的藝術。數(shù)據(jù)海洋一望無境，數(shù)據(jù)工作充滿挑戰(zhàn)。感謝數(shù)據(jù)派THU提供如此專業(yè)的平臺，希望在這里能和最專業(yè)的你們共同進步！

— 完 —

關注清華-青島數(shù)據(jù)科學研究院官方微信公眾平臺“THU數(shù)據(jù)派”及姊妹號“數(shù)據(jù)派THU”獲取更多講座福利及優(yōu)質內容。

深度學習自動生成HTML代碼

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的代碼一直是我們關注的問題，本文作者根據(jù) pix2code 等論文構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，深度學習將改變前端開發(fā)。它將會加快原型設計速度，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習算法，以及合成訓練數(shù)據(jù)來探索人工智能自動構建前端的方法。在本文中，作者將教神經(jīng)網(wǎng)絡學習基于一張圖片和一個設計模板來編寫一個 HTML 和 CSS 網(wǎng)站。以下是該過程的簡要概述：

1）向訓練過的神經(jīng)網(wǎng)絡輸入一個設計圖

2）神經(jīng)網(wǎng)絡將圖片轉化為 HTML 標記語言

3）渲染輸出

我們將分三步從易到難構建三個不同的模型，首先，我們構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：

• 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

我們的目標是構建一個神經(jīng)網(wǎng)絡，能夠生成與截圖對應的 HTML/CSS 標記語言。

訓練神經(jīng)網(wǎng)絡時，你先提供幾個截圖和對應的 HTML 代碼。網(wǎng)絡通過逐個預測所有匹配的 HTML 標記語言來學習。預測下一個標記語言的標簽時，網(wǎng)絡接收到截圖和之前所有正確的標記。

這里是一個簡單的訓練數(shù)據(jù)示例：docs.google.com/spreadsheet…。

創(chuàng)建逐詞預測的模型是現(xiàn)在最常用的方法，也是本教程使用的方法。

注意：每次預測時，神經(jīng)網(wǎng)絡接收的是同樣的截圖。也就是說如果網(wǎng)絡需要預測 20 個單詞，它就會得到 20 次同樣的設計截圖。現(xiàn)在，不用管神經(jīng)網(wǎng)絡的工作原理，只需要專注于神經(jīng)網(wǎng)絡的輸入和輸出。

我們先來看前面的標記（markup）。假如我們訓練神經(jīng)網(wǎng)絡的目的是預測句子「I can code」。當網(wǎng)絡接收「I」時，預測「can」。下一次時，網(wǎng)絡接收「I can」，預測「code」。它接收所有之前單詞，但只預測下一個單詞。

神經(jīng)網(wǎng)絡根據(jù)數(shù)據(jù)創(chuàng)建特征。神經(jīng)網(wǎng)絡構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容和它所需要預測的 HTML 語法，這些都是為預測下一個標記構建知識。把訓練好的模型應用到真實世界中和模型訓練過程差不多。

我們無需輸入正確的 HTML 標記，網(wǎng)絡會接收它目前生成的標記，然后預測下一個標記。預測從「起始標簽」（start tag）開始，到「結束標簽」（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)絡中，并訓練它生成對應的標記語言。

首先，神經(jīng)網(wǎng)絡將原型設計轉換為一組像素值。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)絡能理解的方式表征這些標記，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束的標簽。這些標簽能為神經(jīng)網(wǎng)絡提供開始預測和結束預測的位置信息。以下是這些標簽的各種組合以及對應 one-hot 編碼的情況。

我們會使每個單詞在每一輪訓練中改變位置，因此這允許模型學習序列而不是記憶詞的位置。在下圖中有四個預測，每一行是一個預測。且左邊代表 RGB 三色通道和之前的詞，右邊代表預測結果和紅色的結束標簽。

#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，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

我走過的坑：

• 在收集數(shù)據(jù)之前構建第一個版本。在本項目的早期階段，我設法獲得 Geocities 托管網(wǎng)站的舊版存檔，它有 3800 萬的網(wǎng)站。但我忽略了減少 100K 大小詞匯所需要的巨大工作量。
• 訓練一個 TB 級的數(shù)據(jù)需要優(yōu)秀的硬件或極其有耐心。在我的 Mac 遇到幾個問題后，最終用上了強大的遠程服務器。我預計租用 8 個現(xiàn)代 CPU 和 1 GPS 內部鏈接以運行我的工作流。
• 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記的標簽，輸出 Y 是下一個標記的標簽。當我理解這一點時，其它問題都更加容易弄清了。此外，嘗試其它不同的架構也將更加容易。
• 圖片到代碼的網(wǎng)絡其實就是自動描述圖像的模型。即使我意識到了這一點，但仍然錯過了很多自動圖像摘要方面的論文，因為它們看起來不夠炫酷。一旦我意識到了這一點，我對問題空間的理解就變得更加深刻了。

在 FloydHub 上運行代碼

FloydHub 是一個深度學習訓練平臺，我自從開始學習深度學習時就對它有所了解，我也常用它訓練和管理深度學習試驗。我們能安裝它并在 10 分鐘內運行第一個模型，它是在云 GPU 上訓練模型最好的選擇。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/

復制 Repo：

https://github.com/emilwallner/Screenshot-to-code-in-Keras.git
復制代碼

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，我們將關注與創(chuàng)建一個可擴展的神經(jīng)網(wǎng)絡模型。該版本并不能直接從隨機網(wǎng)頁預測 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擴展為以下右圖展示的結構，那么它就能更高效地處理識別與轉換過程。

該架構主要有兩個部，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記特征（markup features）的部分。特征是網(wǎng)絡創(chuàng)建原型設計和標記語言之間聯(lián)系的構建塊。在編碼器的末尾，我們將圖像特征傳遞給前面標記的每一個單詞。隨后解碼器將結合原型設計特征和標記特征以創(chuàng)建下一個標簽的特征，這一個特征可以通過全連接層預測下一個標簽。

設計原型的特征

因為我們需要為每個單詞插入一個截屏，這將會成為訓練神經(jīng)網(wǎng)絡的瓶頸。因此我們抽取生成標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訓練的 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)絡能夠從這些特征中抽取元素的對象和位置。

標記特征

在 Hello World 版本中，我們使用 one-hot 編碼以表征標記。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)表示標記標簽之間的關系。

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)絡中的權重，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記特征（markup features）的方式，而這些神經(jīng)網(wǎng)絡訓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記特征。這些標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記特征相級聯(lián)而作為編碼器的輸出。

標記特征

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)圖像特征和標記特征

所有的語句都被填充以創(chuàng)建三個標記特征。因為我們已經(jīng)預處理了圖像特征，所以我們能為每一個標記特征添加圖像特征。

如上，在復制圖像特征到對應的標記特征后，我們得到了新的圖像-標記特征（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-標記特征來預測下一個標簽。

在下面的案例中，我們使用三個圖像-標簽特征對來輸出下一個標簽特征。注意 LSTM 層不應該返回一個長度等于輸入序列的向量，而只需要預測預測一個特征。在我們的案例中，這個特征將預測下一個標簽，它包含了最后預測的信息。

最后的預測

密集層會像傳統(tǒng)前饋網(wǎng)絡那樣工作，它將下一個標簽特征中的 512 個值與最后的四個預測連接起來，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)會為四個類別產生一個概率分布，例如 [0.1, 0.1, 0.1, 0.7] 將預測第四個詞為下一個標簽。

# 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)
復制代碼

輸出

訓練不同輪數(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…

我走過的坑：

• 我認為理解 LSTM 比 CNN 要難一些。當我展開 LSTM 后，它們會變得容易理解一些。此外，我們在嘗試理解 LSTM 前，可以先關注輸入與輸出特征。
• 從頭構建一個詞匯表要比壓縮一個巨大的詞匯表容易得多。這樣的構建包括字體、div 標簽大小、變量名的 hex 顏色和一般單詞。
• 大多數(shù)庫是為解析文本文檔而構建。在庫的使用文檔中，它們會告訴我們如何通過空格進行分割，而不是代碼，我們需要自定義解析的方式。
• 我們可以從 ImageNet 上預訓練的模型抽取特征。然而，相對于從頭訓練的 pix2code 模型，損失要高 30% 左右。此外，我對于使用基于網(wǎng)頁截屏預訓練的 inception-resnet 網(wǎng)絡很有興趣。

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（getbootstrap.com/），我們可以結合 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記。我們還深入研究它如何構建截圖和標記的先驗知識。

我們不在 bootstrap 標記上訓練，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 個訓練樣本。

我們稍微修改一下 pix2code 論文中的模型，使之預測網(wǎng)絡組件的準確率達到 97%。

端到端方法

從預訓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)絡替換預訓練圖像特征。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（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）。最常用的循環(huán)神經(jīng)網(wǎng)絡是長短期記憶（LSTM）網(wǎng)絡。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

關于 LSTM 比較難理解的是時間步。我們的原始神經(jīng)網(wǎng)絡有兩個時間步，如果你給它「Hello」，它就會預測「World」。但是它會試圖預測更多時間步。下例中，輸入有四個時間步，每個單詞對應一個時間步。

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。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重。

加權后的輸入與輸出特征在級聯(lián)后輸入到激活函數(shù)，并作為當前時間步的輸出。因為我們重復利用了相同的權重，它們將從一些輸入獲取信息并構建序列的知識。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習如何追蹤句法的不同方面。以下是一個 LSTM 單元追蹤標簽行信息的可視化，它是我們用來訓練 bootstrap 模型的簡單標記語言。

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。除了處理當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)
復制代碼

測試準確率

找到一種測量準確率的優(yōu)秀方法非常棘手。比如一個詞一個詞地對比，如果你的預測中有一個詞不對照，準確率可能就是 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。在下面的預測中，「cat」應該是「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…)

我走過的坑：

• 理解模型的弱點而不是測試隨機模型。首先我使用隨機的東西，比如批歸一化、雙向網(wǎng)絡，并嘗試實現(xiàn)注意力機制。在查看測試數(shù)據(jù)，并知道其無法高精度地預測顏色和位置之后，我意識到 CNN 存在一個弱點。這致使我使用增加的步幅來取代最大池化。驗證損失從 0.12 降至 0.02，BLEU 分值從 85% 增加至 97%。
• 如果它們相關，則只使用預訓練模型。在小數(shù)據(jù)的情況下，我認為一個預訓練圖像模型將會提升性能。從我的實驗來看，端到端模型訓練更慢，需要更多內存，但是精確度會提升 30%。
• 當你在遠程服務器上運行模型，我們需要為一些不同做好準備。在我的 mac 上，它按照字母表順序讀取文檔。但是在服務器上，它被隨機定位。這在代碼和截圖之間造成了不匹配。

下一步

前端開發(fā)是深度學習應用的理想空間。數(shù)據(jù)容易生成，并且當前深度學習算法可以映射絕大部分邏輯。一個最讓人激動的領域是注意力機制在 LSTM 上的應用。這不僅會提升精確度，還可以使我們可視化 CNN 在生成標記時所聚焦的地方。注意力同樣是標記、可定義模板、腳本和最終端之間通信的關鍵。注意力層要追蹤變量，使網(wǎng)絡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）方面并將其轉化為模版應用。在不到兩年的時間里，我們將創(chuàng)建一個草圖，它會在一秒之內找到相應的前端。Airbnb 設計團隊與 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

• 運行所有模型
• 嘗試不同的超參數(shù)
• 測試一個不同的 CNN 架構
• 添加雙向 LSTM 模型
• 用不同數(shù)據(jù)集實現(xiàn)模型

進一步實驗

• 使用相應的語法創(chuàng)建一個穩(wěn)定的隨機應用/網(wǎng)頁生成器
• 從草圖到應用模型的數(shù)據(jù)。自動將應用/網(wǎng)頁截圖轉化為草圖，并使用 GAN 創(chuàng)建多樣性。
• 應用注意力層可視化每一預測的圖像聚焦，類似于這個模型
• 為模塊化方法創(chuàng)建一個框架。比如，有字體的編碼器模型，一個用于顏色，另一個用于排版，并使用一個解碼器整合它們。穩(wěn)定的圖像特征是一個好的開始。
• 饋送簡單的 HTML 組件到神經(jīng)網(wǎng)絡中，并使用 CSS 教其生成動畫。使用注意力方法并可視化兩個輸入源的聚焦將會很迷人。

原文鏈接：blog.floydhub.com/turning-des…

本文為機器之心編譯，轉載請聯(lián)系本公眾號獲得授權。