網(wǎng)上有很多關(guān)于辦pos機(jī)表情包,那些讓我半夜偷偷收藏的沙雕表情包的知識，也有很多人為大家解答關(guān)于辦pos機(jī)表情包的問題，今天pos機(jī)之家(m.afbey.com)為大家整理了關(guān)于這方面的知識，讓我們一起來看下吧!
本文目錄一覽：
辦pos機(jī)表情包
機(jī)器之心機(jī)器之心報(bào)道參與：蛋醬要是收藏夾里沒幾個(gè)獨(dú)家沙雕表情包，當(dāng)代網(wǎng)民都無法在朋友圈立足。但有一些「妙不可言」的圖片，也許是 AI 生成的結(jié)果。一般人很難讀出「meme」這個(gè)詞，它通常譯為「模因」，起源于 1976 年，本意為「模仿傳遞行為」。但讀音和來源或許沒那么重要，重要的是每個(gè)網(wǎng)上沖浪的人都見過它，甚至沉迷于它。在中文里，它大概被稱為「網(wǎng)絡(luò)梗圖」、「沙雕圖片」、「表情包」等等……比如這個(gè)：
還有這個(gè)：
這個(gè)金發(fā)藍(lán)衣的快樂男孩，你難道不眼熟嗎？作為機(jī)器學(xué)習(xí)研究者，你可能還偷偷在收藏夾里保存了這些：
這是一張?jiān)谏疃葘W(xué)習(xí)社區(qū)流傳很廣的圖，表達(dá)的是新的預(yù)訓(xùn)練方法如何比之前的 SOTA 方法更優(yōu)越。當(dāng)然，新 SOTA 方法是層出不窮的，這樣的圖片收集起來甚至能形成一個(gè)完整的系列。圖的創(chuàng)建通常只有兩步：選一張時(shí)興的 meme 模版（即圖像），然后配上「精妙絕倫」的說明文字，制造出一種別有韻味的幽默感。.這種圖像、文字和幽默感的奇妙組合，在信息傳遞方面極具穿透力和感染力，比如當(dāng)你看到這張圖時(shí)：
雖然這只是一張靜態(tài)圖片，句子也不成句子，但你的眼前已經(jīng)浮現(xiàn)出了七人共舞的場景。當(dāng)代網(wǎng)友人人都用表情包，甚至還會(huì)自制。比如：
然而，表情包除了自制，還可以由 AI 生成。你可能想不到，某個(gè)平平無奇的表情包背后竟然隱藏著「神秘力量」。今天，我們就來了解一下 meme 自動(dòng)生成。meme 自動(dòng)生成一直是深度學(xué)習(xí)領(lǐng)域的課題之一。以往的生成方法要么是從一堆 meme 字幕中選擇最適合的一個(gè)，要么是基于給定圖片和模版來生成 meme 字幕，似乎有點(diǎn)不夠「便捷」。近日，來自美國亞利桑那州立大學(xué)的研究者對 meme 圖生成方法進(jìn)行了改進(jìn)提升。在這篇論文中，研究者提出了一種根據(jù)給定的輸入語句來生成匹配圖片的方法。這是一項(xiàng)很有挑戰(zhàn)性但有趣的 NLP 任務(wù)。
論文地址：https://arxiv.org/abs/2004.14571v1通過對 meme 圖生成機(jī)制的深入了解，研究者決定將 meme 圖生成與自然語言翻譯結(jié)合起來。在自然語言翻譯工作中，為了將輸入的語句轉(zhuǎn)換為目標(biāo)語言，必須對語句的完整含義進(jìn)行解碼，分析其含義，然后將源語句的含義編碼為目標(biāo)語句。類似地，此處也可以將源語句的含義編碼為圖像和字幕對，使之傳達(dá)與源語句相同的含義或情感，從而將語句翻譯成「?！?。受該方法的啟發(fā)，研究者提出了一種端到端的編碼-解碼模型「memeBot」，可面向任意給定的語句生成 meme 圖。同時(shí)在訓(xùn)練的過程中，研究者創(chuàng)建了首個(gè)大型 meme 圖字幕數(shù)據(jù)集。
給出句子「I am curiously waiting for my father to cook supper tonight」，memeBot 使用 meme 模板選擇合適的圖，然后用字幕生成器生成恰當(dāng)?shù)淖帜唬瑥亩?meme 表情包。如何用 memeBot 制作表情包？「memeBot」是一種端到端的神經(jīng)與概率架構(gòu)。該模型共有兩個(gè)組成部分，如下圖所示，首先是使用 meme 模版選擇模塊，根據(jù)輸入語句確定用哪張圖；然后是 meme 字幕生成器，生成合適的字幕。
meme 模版選擇模塊基于 BERT、XLNet、Roberta 等 trans-former 架構(gòu)的預(yù)訓(xùn)練語言表征被廣泛用于自然語言理解任務(wù)。這些模型在針對相應(yīng)任務(wù)微調(diào)之后，均達(dá)到了新的 SOTA 水平。該研究在 meme 模版選擇任務(wù)上，使用線性神經(jīng)網(wǎng)絡(luò)對預(yù)訓(xùn)練語言表征模型進(jìn)行了微調(diào)。在訓(xùn)練過程中，通過使用公將依據(jù)給定語句選擇正確模版的概率最大化。其中θ_1 表示 meme 模版選擇參數(shù)，T 表示模版，S 是輸入句。meme 字幕生成研究者借鑒了降噪編碼器的方法，通過破壞輸入字幕來訓(xùn)練 meme 字幕生成器，并使用詞性標(biāo)注器（POS Tagger）來提取輸入字幕的詞性。研究者使用 POS 向量來對輸入字幕進(jìn)行遮罩，僅把名詞短語和動(dòng)詞短語作為輸入傳遞給 meme 字幕生成器。破壞數(shù)據(jù)的目的是讓模型從現(xiàn)有的字幕中學(xué)習(xí) meme 生成，并在推斷過程中將基于給定輸入語句生成 meme 的過程進(jìn)行泛化。meme 字幕生成器模型使用了 transformer 架構(gòu)，通過對選定的 meme 模版和輸入語句執(zhí)行多頭縮放點(diǎn)積注意力，來創(chuàng)建給定輸入語句的 meme 嵌入。transformer 解碼器首先對預(yù)期的字幕執(zhí)行 masked multi-head attention，然后在編碼的 meme 嵌入和 masked multi-head attention 的輸出之間執(zhí)行多頭縮放點(diǎn)積注意力（如圖 3 所示）。這使得 meme 字幕生成器能夠?qū)W習(xí)輸入語句、所選 meme 模版和預(yù)期 meme 字幕之間的依賴關(guān)系。此外，該研究還使用公式來優(yōu)化 transformer。其中θ_2 表示 meme 字幕生成器的參數(shù)，C 表示 meme 字幕，M 是基于 transformer 編碼器獲得的 meme 嵌入。數(shù)據(jù)集模型訓(xùn)練所用數(shù)據(jù)有兩個(gè)來源，一個(gè)是全球最大的 meme 圖片生成網(wǎng)站「imgflip」，另一個(gè)就是眾所周知的 meme 圖片集合地「推特」。為了爬取更多的數(shù)據(jù)，研究者開發(fā)了一款網(wǎng)絡(luò)爬蟲工具，盡可能多地收集 meme 圖。該研究最終創(chuàng)建的數(shù)據(jù)集包含源自 24 個(gè)「經(jīng)典沙雕梗」的 177942 個(gè) meme 字幕。表 1 展示了數(shù)據(jù)樣本的組成部分，附錄 A 展示了訓(xùn)練所用的「經(jīng)典源圖」，圖 4 為 meme 字幕主題的分布情況。
表 1：meme 字幕數(shù)據(jù)集中的樣本示例，包括模版名稱（Template name）、字幕（Caption）、meme 圖（Meme Image）三部分。
附錄 A：實(shí)驗(yàn)所用 meme 字幕數(shù)據(jù)集中的的模版和圖像。
圖 4。此外，研究者收集了推特平臺的推文，用以評估 memeBot 在線上社交互動(dòng)中通過語句生成 meme 的效力。研究者在關(guān)鍵詞「Coronavirus」查詢結(jié)果中隨機(jī)抽取 6000 條推文，從中選擇了 1000 條非負(fù)面情緒的推文。目的是通過輸入推文讓模型生成 meme 圖，并評估生成結(jié)果是否與推文內(nèi)容相關(guān)。memeBot 效果如何該研究在訓(xùn)練、驗(yàn)證和測試階段的數(shù)據(jù)集分別包括 142341、17802 和 17799 個(gè)樣本，評估內(nèi)容包括模版選擇模塊在選擇兼容模版時(shí)的性能、字幕生成器的生成效力等。首先，研究者對 BERT、XLNet 和 Roberta 幾種預(yù)訓(xùn)練語言表征模型進(jìn)行了微調(diào)，并在 meme 字幕測試數(shù)據(jù)集上測試了模型的 meme 模版選擇性能，結(jié)果如表 2 所示。
表 2：加粗部分為最佳分?jǐn)?shù)，精確度和 F1 兩項(xiàng)指標(biāo)是越高越好，損失則越低越好。研究者使用了性能表現(xiàn)最佳的 Roberta_base 模型作為 meme 生成 pipeline 中的模版選擇模塊。然后，在字幕生成任務(wù)中，研究者使用了兩個(gè)變體「MT2MC」和「SMT2MC」（SMT2MC 也有兩個(gè)變體），分別代表「基于模版生成字幕」和「基于輸入語句及模版生成字幕」。下圖是字幕生成器的變體所生成的 meme 示例。
可以看出，MT2MC 根據(jù)給定的 meme 模版隨機(jī)生成字幕，與輸入語句無關(guān)聯(lián)，SMT2MC 變體生成的 meme 字幕則與輸入語句有語境關(guān)聯(lián)。在 SMT2MC 的變體中，以名詞短語和動(dòng)詞短語作為輸入生成的字幕能夠更好地還原輸入語句的本意。在評估時(shí)，研究者使用了 BLEU 分?jǐn)?shù)來評估生成字幕的質(zhì)量。鑒于 meme 生成沒有固定的指標(biāo)，研究者還引入了一組評估人員進(jìn)行「主觀評價(jià)」，評估的維度包括圖片與字幕的連貫性和相關(guān)性等等，分?jǐn)?shù)在 1-4 分不等。
BLEU 值以及人類評估得分情況。
相關(guān)性與連貫性分?jǐn)?shù)的定性比較。研究者還設(shè)計(jì)了一個(gè)實(shí)驗(yàn)，來評估 meme 生成結(jié)果在線上社交環(huán)境中的效力：
表 5：推特?cái)?shù)據(jù)中的人類評估分?jǐn)?shù)。相關(guān)性和一致性指標(biāo)滿分為 4 分，「User Likes」一項(xiàng)代表喜歡該生成結(jié)果的人數(shù)占總體的百分比。
圖 9：SMT2MC-NP+V 變體生成的 meme 結(jié)果。最后，研究者也提到，meme 的生成效果評價(jià)因人而異，很難通過預(yù)定義的指標(biāo)進(jìn)行評估。接下來他們會(huì)將繼續(xù)拓展這一方面的研究，比如將 meme 引入社交媒體流，并根據(jù) meme 在人群中的傳播對其進(jìn)行評估。meme 傳播率和傳播人群可用于強(qiáng)化訓(xùn)練，生成更高質(zhì)量和更具創(chuàng)意的 meme。為模型瘦身，飛槳PaddleSlim提供了從剪枝、量化到輕量級神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索與自動(dòng)模型壓縮等一系列高效工具
以上就是關(guān)于辦pos機(jī)表情包,那些讓我半夜偷偷收藏的沙雕表情包的知識，后面我們會(huì)繼續(xù)為大家整理關(guān)于辦pos機(jī)表情包的知識，希望能夠幫助到大家！
