TeachAI 实验思考

很早之前就想做一款训练模型的工具，最初的灵感是来自谷歌实验室尝试教机器学习手势用来玩游戏…

近些年来，艺术模型工具有runway.ai，微软最近出了lobe……

Lobe通过免费，易于使用的应用程序帮助您训练机器学习模型。只需向其显示您希望它学习什么的示例，它就会自动训练可以在您的应用程序中提供的自定义机器学习模型。无需任何代码或经验。

这是一个趋势，技术产品化，普通人使用AI的门槛越来越低～

我抽空基于tensorflowJS，完成了一个在网页上可以教机器学习任何“概念”的js库。

提供一个类似于“编辑器”的界面，让任何用户都可以方便地录入数据，训练模型，测试效果。

作为示例，我仿照上文判断“喝水”的应用，我训练了一个识别shadow有没有在打电话的模型，见上图。

除了获取摄像头的图像作为数据集之外，我们还可以自行收集图片作为输入，应用于特定领域的分类问题。

比如，我们可以训练一个设计风格的分类器，判断图片是哪一种类型的，从而决定接下来的策略。我收集了3种类型的图片，然后基于此工具训练了模型，测试下来，准确率有85%。

100%的准确率肯定达不到的，因为这不是一件非常机械的分类问题，对于设计风格的理解，具体的呈现有很多细微的不一致，本身无法很准确地分类到某一种类别中。

因此，预测的结果，我认为是一个排序问题，机器返回的是可能的答案组，而不是唯一的答案。

另外，为了控制模型的准确率，我一开始是把设计风格简化到只有2类，二分类问题的准确率就非常高，然后，结合实际情况，针对设计风格，应该是简化到3类比较合理：从抽象到具体。

结合实践情况，简化多分类问题至“二分类”。

反过来，从实际的设计图纸的分布来看，确实都可以在3种类型中划定一个区域范围。