文章目錄
Multi-Prediction Sketch-RNN 是由 Google Brain 團隊開發的另一個深度學習應用，它是基於一種專門訓練來理解和生成簡單手繪草圖的循環神經網路(RNNs)。目的是展示深度學習在藝術創作和圖像生成方面的潛力，同時也提供了一個有趣的方式來探索人工智慧如何理解和處理視覺資訊。 每次的結果都可能略有不同，提供了一個獨特的創作體驗。
此版本中，您可以在左側區域內繪製草圖的開頭，而模型則會在右側較小框內預測其餘繪圖。這樣，您就可以看到模型預測的各種不同的狀況。預測的結果有時會讓人覺得在意料之中，有時會是出人意料或是怪異，大家可以試試看循環神經網路 (RNNs) 這個有趣的應用。
- 活動目的：試看看另一個可多重預測的循環神經網路（Recurrent Neural Networks, RNNs）活動網站
- 活動項目：深度學習應用
- 活動平台： Sketch RNN Predictor
- 使用環境：桌上型電腦或筆記型電腦
Step 1 操作環境：
Step 2 選擇模型：
Step 3 開始畫圖：
Step 4 調整 temperature：
在 Multi-Prediction Sketch-RNN Demo 中，“temperature” 參數是用來控制模型生成草圖時的創造性和預測的確定性。這個概念源自神經網路中的概率抽樣方法，尤其是與序列生成相關的任務。以下是其主要作用：
- 低 temperature (例如0.1或0.2)：當設置較低的 temperature 值時，模型在生成草圖時會表現出更高的確定性。這意味著它傾向於選擇最有可能的筆劃或形狀，從而導致生成的草圖比較一致及可預測，並且通常更接近於訓練數據中的典型例子。
- 高 temperature (例如0.8或1.0)：相反，當設置較高的 temperature 值時，模型在生成草圖時會表現出更高的創造性。這意味著它在選擇下一筆畫時會考慮到更多不太可能的選項，從而導致生成的草圖更加多樣化和非典型，有時甚至可能顯得有些奇怪。
總體來說，”temperature” 參數允許用戶控制模型生成草圖的“風險程度”：較低的 temperature 導致較保守及可預測的結果；較高的 temperature 則促使模型進行更加大膽和創新的嘗試。这是一種在模型的確定性和創造性之間進行權衡的方法。
較低 temperature
較高 temperature
這個活動可讓讀者親自操作循環神經網路（Recurrent Neural Networks, RNNs）中有關 temperature 高低值的應用，對於剛接觸深度學習的人非常適合。
如果大家想要多了解一些 AI 或 生成式 AI 的基礎概念，可以參考這一本書《 「生成式⇄AI」：52 個零程式互動體驗，打造新世代人工智慧素養 》，或是 SimpleLearn｜Online 課程，它將帶領讀者在不會程式、不會數學也OK!的情況下，了解整個 AI 到 生成式 AI 的相關觀念及應用，不僅可以建立最完整的 AI 入門知識，更是培養 AI 素養的最好學習內容。
如果你喜歡這篇文章歡迎訂閱、分享(請載名出處)與追蹤，並持續關注最新文章。同時 FB 及 IG 也會不定期提供國內外教育與科技新知。