人工智能也能創作圖像?Deep Dream深度神經網路的奇異與迷幻

這些 Google “Deep Dream” 式圖像很是奇妙
《連線》雜誌


上個月,Google 展示了自有人工智能程序——這種被稱作「人工神經網路」的東西,(可以)用來分類和整理其圖像庫。

這種技術主要以指認其中圖案的方式來識別圖片,而且它已經被應用於 Google 最新的照片管理軟體(似乎是 Google I/O 2015 推出的 Google Photos)中,以識認臉部和動物。

不管怎樣,(現在已經有了)一個由 Zain Shah 建立的叫做「深度神經網路夢想」的新網站,它允許你上傳圖片然後通過 Google 的人工智能代碼來處理。結果(出圖效果)怎樣?一些圖像很是迷幻又奇特,從奇幻的風景、抽象的貓咪到名畫的旋渦狀再創作,應有盡有。

你可以上傳自己的照片,然後加上 #deepdream 標籤分享出去。

(以下為編輯選擇的 Twitter 熱門圖片)

HIE Digital 5:07 PM – 3 Jul 2015
Google 的 Deep Dream 技術現在對所有想創作怪圖的人開放了

Fábio Tamai 7:35 PM – 3 Jul 2015
(它會)把你的照片變成計算機化(數字化)的夢魘

codementor 10:01 PM – 3 Jul 2015
Deep Dream 版達利(西班牙超現實主義繪畫大師)畫作

maniraptor 1:36 PM – 3 Jul 2015
親和版的修格斯(美國小說家霍華德·菲利普·洛夫克拉夫特所創造的克蘇魯神話中的一種怪物)

kyttenjanae 1:32 PM – 3 Jul 2015
(譯補畫外音:看看把我變成了什麼樣子)


Kyle McDonald 12:22 PM – 3 Jul 2015
在布魯克林大橋上騎行

Austin 9:36 AM – 3 Jul 2015
恩斯特·海克爾

譯者註:Ernst Haeckel,1834-1919,德國生物學家、醫生。他也是優生學的先驅,但其一些理論和主張常體現出德國民族沙文主義,後被納粹理論家利用,成為種族主義和社會達爾文主義的理由。此蜂鳥圖片的原圖可能出自(我不確定,因為我還沒拜讀過)其科學著作《自然的藝術形式》(即 Kunstformen der Natur 或 Art Forms in Nature),此書編排精巧、繪畫精美絕倫,完美展現了自然界中諸多奇妙的生物和各種形式的對稱美。

Brad Skaggs 9:17 AM – 3 Jul 2015

譯者註:

Bhuddhabrot:佛像分形,這個詞的來源是 Buddha(佛)與 Mandelbrot(曼德布羅特),屬於數學分形理論的范疇;
Inceptionism:這是 Deep Dream 項目開源發布之前的名稱,現已棄用。恕我不予翻譯(難以選擇用詞,翻譯會變味),下面的第三篇技術文章將對此著重介紹。

samim 5:47 AM – 3 Jul 201

大自然。我不曉得怎麼了



Google 釋出了它那可怕、猜想圖像的機器人
獨立報

Google 已經向世人開放了其圖像識別機器人,它能讓人們基於自己的圖片創作出奇怪、恐怖的(新)圖像。

Google 發布了一些其上周就已創作出來的既恐怖又神奇的圖片,其中包含一幅由狗狗組成的騎士像。該公司已經將這個名為「Deep Dream」的軟體項目放到了代碼分享網站 GitHub 上開源,現在任何人都可以下載它運行並藉此處理自己的圖像。

這款軟體是以計算機自身來識別圖像的。讓系統過分解讀圖像,然後就可以篩選出其他無含義的東西並誇大,比如把雲朵轉化為羊駝(美洲駝)

與 Google 發布的圖片一樣,(軟體的)出圖效果趨向於把很多東西轉換成動物,其中特別愛搶鏡的是狗狗……還有眼睛,也往往以一種旋渦狀的彩虹色把東西給覆蓋住。

(以下仍為編輯所選的 Twitter 熱門圖,譯者有刪減)

cdotwright 3:15 PM – 2 Jul 2015
快樂的小貓,(身體)分叉了

Yuta Kashino 8:23 AM – 2 Jul 2015
Deep Dream 好厲害,一般在安裝了 Caffe 的 Python 環境下,使用 PyData 軟體一下子就能搞出來了!

Stef Lewandowski 5:07 PM – 2 Jul 2015
Deep Dream:Google 已經釋出了可以做出那些迷幻般人工智能圖像的源碼。

用戶可以從 Google 的博客站下載這款軟體。當一切都準備就緒了,用戶就能喂入一幅圖像,選擇網格線中的某部分進行增強(誇張)、程度要多深,接著就能在另一側看到效果圖。

「看看人們能做出何種圖像會很有意思」,Google 工程師在介紹此工具的博文中寫道,「如果你要在 Google+、非死不可或推特上發布圖片,記得加上 #deepdream 標籤。如此,其他人就也能切克鬧(來看)一下。」
就在不久前,Google 把一個人工神經網路項目放到了互聯網上「做夢」,它可以挖掘可視的數據,「增強」圖像中某些部分,而且其特性是依靠自己的數據集來「識別」裡面(的內容)。(出圖)效果是朦朧的、旋渦狀有噪點的彩釉色,(裡面的)物體無情地反復變化。實在太迷幻了!它「看出」了很多狗(網上有許多狗 -_-||


But is this art?
不過,這是藝術嗎?

神經網路不僅僅是在「夢想」,它可能(也)在進行藝術創作。或許是這樣的?好吧,至少現在「inceptionism」算法可以在線隨意獲取,人們肯定已經在創造性地使用它了。(電影《恐懼拉斯維加斯》遊戲《雷神之錘》、甜甜圈、宇宙、羊咩咩……)但作為一個項目,Google 的 Deep Dream 機器人本身是不是件藝術品?它確實能生成可以取悅人們的圖像就使得這種算法(或者,至少它的作者)有點像一個藝術家?你能把藝術機構編程進一個機器人或「人工智能」(的東西)嗎?或者那種想法就是一個邏輯謬誤?(好吧,)我們跑題了。

Dunks
回復 kcimc:這個小怪物其實是吃剩的半塊甜甜圈。-_-||(譯者附原作者圖及註)

the universe
宇宙星空圖(譯者附圖)

Pavel Bazin
在沒遇到 Deep Dream 前,「它」只是一只羊咩咩。(譯者附原作者圖及註)

「Inceptionism」算法作為藝術,很像那些(用)Deep Dream(創作的)色情的牛B的把兒(不適合上班時間瀏覽,即少兒不宜),是一種扭曲、令人困惑的概念。言歸正傳,這算不算藝術?(為了)一探究竟,我們邀請了藝術評議者、藝術家和藝術界技術專家來說出他們的看法。

一幅來自 Google 的神經網路研究的 Deep Dream 圖像(全部圖集訪問這裡)

Paddy Johnson
藝術評議者,Art F City 網站的創辦者兼編輯
不是。它只是一個工具,而非產品,因此稱其為藝術有點像藝術家抬起手然後宣稱他們的筆刷是藝術就因為他們非常滿意在畫布上塗抹的使用方式。即使是此軟體的開發者也在 Google 博客(網志)上指出了這一區別:

兩周前我們發表了一篇博文,其中闡述了一個可視化(視覺)工具被設計用來幫助我們理解神經網路的工作原理以及每層學到了什麼東西。除為了獲悉這些(神經)網路是如何進行分類任務(作業)的,我們還發現這個過程也可以生成一些漂亮的藝術作品。

但值得注意的是,似乎,在(眾多的)美國公司中德高望重,因此Google本可以將他們的軟體定義為藝術。如果我們考慮到一個人搞藝術的意圖,那麼對 Google 來說,創造一個藝術作品(不管其價值如何)肯定是其一個可能的未來。盡管這聽起來有點像科幻小說,那麼我猜我們將看不到該公司即刻去做(這事兒)。

#deepdream application by Kyle McDonald
Kyle McDonald 對 Deep Dream 的應用

我想說有一個很好的例子可以用來談談此事,這取決於(照著通常與藝術相關的例子)你如何「構建」那個想法或解釋其過程和結果的符號學。

人們很容易認為這是一種現代形式的迷幻劑而拒絕(即先入為主),但是這對大眾開放了一個人工智能(軟體)的人工心理學,並展示了它是怎樣與我們連接(關聯)的:人類和計算機(同)是處理即時信息的模式(圖形)識別的實體。像幻想性視錯覺、習慣化和「俄羅斯方塊效應」這樣的想法到了腦海裡,(而)我們的重復性心理活動又是怎樣給我們留下了他們的印象。如果藝術有為了說明人類的處境的目的,(那麼)Deep Dream 已成為這個領域的翹楚(直譯為:一個引人註目的入口點)

開放源代碼給富有創意的工程師帶來了一些有趣的實驗(自微軟發布 Kinect 以來還未曾見到過,它本身已經成為一種科技藝術的現代主體)。它可以被視為Google本身的一個公關行為,是以最初 Inceptionism 博文的成功(即引起社會的極大關注)為起點的。我們很快就會厭倦基於數據集(恒定的「群狗薈萃」特色圖像流最終將使大家感到厭煩)的公式化設置,但是神經網路藝術的話題還在發酵中,以及有趣的是它接下來將何去何從。包括 Sebastian Schmieg(德國柏林藝術家)做的「長短時記憶」(Long Short Term Memory)實驗在內的例子,(都只)是一個從 Ray Kurzweil(似乎是一個推銷垃圾科學進行謀利的欺世盜名之徒)的作品中生成新文本的應用。才華橫溢的工程師 Samim 運用神經網路已經做出了幾個有生產力的項目,來創作機器生成版的歐巴馬政治演說TED 演講,或者計算機視覺應如何解譯色情內容。Matthew Plummer Fernandez(也)創造了一個利用深度學習來解讀藝術作品的機器人,並把效果發表在 Tumblr 輕博客上。


Deep Dream 實驗,Anthony Antonellis


Anthony Antonellis

Artist(藝術家)
Google 的 Deep Dream 項目(只)是個媒介。其本身並不是藝術,不過它出的圖可以很藝術——那種醜爆了(fucking ugly)的藝術。

它讓我想起了八十年代裡充斥在我的小學課本側欄中的(批量)生成的不規則碎形計算機藝術。一些結果看起來像在皮克斯版的《幻想曲》中可能都運用過的迷幻場景。從概念上講是很有趣的,以美學觀點來看它像視覺莫吉隆斯症。(譯註:莫吉隆斯症是尚未被確認的「不治之症」,有些人堅信他們得了這種絕症,並抱團建立病患組織,但美國政府和主流醫學界仍堅稱這是精神疾病帶來的妄想,由此亦引發了陰謀論。)我肯定會有一些引人註目的結果,似乎有類似於 Photoshop 中「內容感知填充工具」的趨勢。我總是樂見一個能讓如此多的公眾樂於嘗試並玩耍的媒介,我只是希望那些結果可以被列印出來,然後貼在他們(家)的冰箱上,而不是像今年年中版本的鴨子臉那樣吐到我的(新聞)訂閱源裡。

Deep Dream 是 Google 對我們不喜歡 Google Glass (而做出)的懲罰。

來自 Google 神經網路研究項目的一幅圖像(要查看全部圖集,點擊這裡前往)

Ben Davis
藝術評論家、《9.5 Theses on Art and Class》一書的作者、artnet 新聞網站的民族藝術評論家

簡短回答:當然是藝術啦!界定何為「藝術」並沒有限制。問題只在於它是不是個好藝術。而且看起來人們都樂壞了。

囉嗦點的回答(吐槽:還真夠哆嗦的,簡直就是BS)這不是藝術。它在運用的方法本質上類似一個迷幻的 Instagram(應用)濾鏡,而且結果實際上有點重復,你不覺得嗎?(以前)就已經有了以算法手段做出的非常非常惹人註目的圖像,所以我不確定這又是什麼鬼。

即使如此,我也不懷疑你能發明出(這樣的)AI,它可以弄清如何製作具有許多即便不是全部我們都能稱之為「藝術」特徵的東西,甚至(包括)真正聰明的東西。還會進行一次圖靈測試(譯註:科學界對此有爭議),(屆時)你將不能說出(分清)什麼是由人類製造的、什麼是由計算機智能製造的,毋庸置疑。

但實際上於我們來說作為一個分類手段的「藝術」是歐洲浪漫主義時期的一項發明。它往往非常明確所指的是「人類創造性天賦的證據」,這另外呈現的狂熱狀態是對工業化的回應,就像人們設法在迅猛科技化的世界保持本性。因此,人類已經發明的圖像製作和構圖攝影的新工具成為經典的范例時(譯註:意為「過時」)——往往要發生的是(那些)我們稱之為「藝術」的東西會突變為找尋(下)一種新的方式來表達「人類創造性天賦」。

因此,它就像,「好了,攝影師是給人照相的,(而)現在的繪畫是有關探究色彩、形式和表現的」,這在這十九世紀末攝影成為主流的時候就發生了。之後,又發生的是,另一些藝術家掌握了怎樣使用此工具來表達何為「藝術」的新標準,接著你就知道了某種(名為)「藝術攝影」的東西。而且往往就是怎樣。

也許我們的計算機越聰明越具創造性,對於藝術家來說就越難想出新的策略來表征「人類的創造力」。也許讚美特別的」人類創造力」的想法,事實上,就是過時的。但我敢肯定這就是(對)「藝術」的狂熱崇拜和(對)「藝術家」手法的迷信,即使在今天,從這個角度說,Deep Dream 僅僅是一個溫和的新改變,或者對堅持傳統的藝術家來說不得不直面的挑戰,僅此而已(也可以翻譯為「終於說完了」,我翻譯得快爆炸了)

譯者附文章中鏈接的一段影片如下:



Inceptionism:更加深入地探究神經網路
Google Research Blog

人工神經網路在圖像分類語音識別方面已經取得了顯著的最新進展。但即使這些都是非常有用的基於知名數學方法的工具,我們實際上還是對為何某些模型能起作用而其他不能知之甚少。所以,讓我們以簡單的技術來窺探下這些網路裡面(的東西)。

我們是這樣訓練一個人工神經網路的:向其展示數以百萬計的訓練樣本並逐步調整網路參數,直到它能給出我們想要的分類結果。該網路通常由 10~30 層堆疊的人工神經元組成。每幅圖像都由輸入層喂入(送入),然後遞入下一層,直到最後抵達「輸出」層。網路的「答案」就來自於這個最終的輸出層。

神經網路的一個挑戰是要理解在每一層到底都發生了什麼事。我們知道在(經過)訓練之後,每一層會逐步提取越來越高級的圖像特徵,直到由最後一層做出顯示為何的決定(本質上)。例如,第一層也許在尋找邊緣或拐角。中間層分析基本的特徵來尋找整體形狀(即大體輪廓)或其組成部分,比如一扇門或一片葉子。最後幾層將那些(要素)組合成完整的解釋——(如此,)這些神經元對非常複雜的東西諸如整個建築物或樹木就有了反應。

視覺化此過程的一種方法是將網路上下顛倒,並且要求它採用這種方法以引出一個特定的解釋來增強輸入的圖像。假設(比如說)你想知道什麼樣的圖像會導致「香蕉」這樣的結果出現。從一幅充滿隨機噪點的圖像著手,然後逐漸調整圖像朝著神經網路認定其為香蕉的方向變化(見相關工作:[1], [2], [3], [4])。本來效果並不怎麼好,但如果我們施加先驗約束就不一樣了,即圖像應該有類似的對自然圖像統計的信息,比如鄰近像素需要相互關聯。

因而這裡有一個驚喜:被訓練用以區分不同類型圖像的神經網路也有相當多的信息需要去生成圖像。查看一下(下面)更多不同類別的例子:

為什麼這個很重要?呃,我們通過簡單向它們展示很多我們想讓其學習的范例來訓練網路,希望他們提取所關注事物的要素(例如,一個分叉需要一個柄和2~4個尖齒),並學會忽略不相關的東西(分叉可以是任意形狀、大小、顏色或方向)。但是如何檢查網路(是不是)已經學到了對的特徵呢?它可以幫助視覺化網路一個分叉的表達。

的確,在某些情況下,這揭示了神經網路並不是在尋找我們以為它在(尋找的)東西。例如,下面這個我們設計去思考啞鈴的神經網路看起來像:

在那兒是有啞鈴,但似乎沒有一個圖像中的啞鈴是完整的,那兒並沒有一個肌肉發達的舉重運動員要來舉起它們。在這種情況下,網路未能完全提取到啞鈴的要素。也許它還從來沒被展示過一個無手臂握著的啞鈴(圖片)。視覺化能幫助我們糾正這些訓練事故。

替代確切地規定我們想要網路去放大的特徵,我們也可以讓網路(自己)做決定。在這種情況下,我們簡單地給網路喂入任意的一幅圖像或照片,並讓網路分析。然後我們挑選出一層,要求網路增強任何它能檢測到的東西。網路的各層(神經元)會處理圖片中不同抽象程度的特徵,所以我們生成的特徵其複雜性取決於我們選擇去增強哪一層。例如,較低的層會傾向於產生筆觸或者簡單的裝飾性圖案,因為那些層對基本的特徵比如邊緣和它們的方向很敏感。

如果我們選擇更高級別、可以識別圖像中更複雜特徵的層,(那麼)複雜的特徵抑或整個對象往往就能顯現出來。還有,我們只是以現有的圖像開始,將其遞入我們的神經網路中。我們要求網路:「不管你看到的是什麼,我都想要更多!」這樣就創建了一個反饋循環:如果雲朵看著有點像一只鳥,(那麼)神經網路將會把它變得更像鳥。這反過來將使網路在下一步以及更多步識認鳥時更加強烈,直到出現一個高度精細(具體)的鳥,(而它)似乎不知是從哪兒冒出來的。

(研究)結果很是有趣——即使一個相對簡單的神經網路也可以被用於過分解讀圖像,就像孩童時代我們喜歡看雲朵、解讀(出現的)隨機形狀一樣。這個網路(之前)主要是以動物的圖像被訓練的(另譯:由於之前主要是以動物的圖像來訓練這個神經網路的),因此自然它就傾向於把(一些)形狀解釋成動物。但由於數據被存儲的如此高度抽象,結果就出現了這些習得特徵的一個有趣的雜糅。

當然,我們可以做的遠不止運用了這種技術的雲朵。我們還可以把它應用(推廣)到任何種類的圖像。(而)一種圖像的(處理)結果大異,是因為輸入的(眾多)特徵造成了(神經)網路的偏差,使其朝著某些(方向)解析。例如,地平線往往會充斥著塔樓和寶塔(佛塔),巖石和樹木變成了建築物,鳥類和昆蟲出現在葉子的圖像中(即 AI 對葉子和蟲鳥有點傻傻分不清)

這種技術給我們提供了一種對抽象層次的定性感受,即特定的某層已經取得了對圖像(怎樣)的理解。根據運用的神經網路體系結構,我們稱這種技術為「Inceptionism」。想要更多對圖像及其處理結果的圖片,參見我們的 Inceptionism 相冊,裡面還有一些很酷的影片動畫。


We must go deeper: Iterations
我們須得更深入些:迭代

如果我們把此算法反復應用在其自身的輸出上,並在每次迭代後應用一些縮放,我們就能得到了無盡的新效果(數據)流,探索網路了解(知曉)的一眾事物。我們甚至可以從一幅隨機噪點(噪聲)圖像開始這個過程,以便(經處理後的)結果完全變成神經網路的結果,如下面的圖像所示:

這裡介紹的技術(可以)幫助我們理解以及視覺化神經網路是如何執行困難的分類任務的,改進網路體系結構,並檢查在訓練期間網路都學到了什麼。它還讓我們好奇神經網路是否可以成為藝術家的工具——一種再混合視覺概念的新方法——或許即使通常(只有)一點點光透到創意過程的根基上。


Google Deep Dream:從這個夢幻般的圖像軟體中精選出的 19 幅最佳圖片
英國電訊報

上月 Google 揭示了其名為「Deep Dream」的軟體項目,這一研究實驗可以把日常的圖片轉換成奇異、迷幻般的圖像。自此,這項技術就風靡於互聯網了。

圖片來自:Google


軟體代碼基於 Google 的「機器學習」人工智能項目,它可以找尋那些已被訓練過的圖形,去識別喂入的圖像。然後輕微地反復改變圖像以使它看起來像那個圖形,(因為)常常識別過了頭,就產生了艷麗、清晰的圖像。


Deep Dream 看到的許多圖形都是動物的臉,因為這個軟體已經在很多張動物圖片上被「訓練」過了。這意味著狗臉,尤其是狗臉,會較多地出現。

圖片來自:Google


有時這個軟體並未認出狗狗,它看到了許多眼睛。上面是經過 Deep Dream(識別)後的列奧納多·達·芬奇畫作《蒙娜麗莎》。


這幅是愛德華·蒙克的《吶喊》。背景中充斥著大量的眼睛,但是 Deep Dream 仍然找著了對象的臉龐,給了其一個似犬狀的扭曲。


一個沒有活物的普通畫面或者說遠景,它圖像的某些部分被加蓋了穹頂或寶塔。這是一幅紐約市的風景圖。


這幅是去年克裡斯托弗·諾蘭執導的大片《星際效應》中的場景。Google 上周開源這個軟體,使得推特、Reddit和非死不可上湧現了大量(此類型)的圖片。


《瘋狂的麥克斯:狂暴之路》,今夏的後啟示錄(末日後)動作影片,在沒有 Deep Dream 的情況下已經斬獲頗多。不過在經這個視覺工具處理後還是很壯觀的。


Google 的神經網路已經察覺到了圖片中的大量拱門,也正是那樣與之匹配的。研究人員說,這個實驗可以被用於創作藝術品(畫作)。


上面是另一個有著奇異景色的例子,它是由逐漸改變原始圖像的過程重復足夠多次而產生的。

圖片來自:Google


在某些情況下,圖像被轉換到了幾乎不可能告訴你原始照片(到底)是什麼的程度。這似乎是一幕焰火表演。


這幅就更容易辨認了。當 Deep Dream(又來)染指時,Cassius Marcellus Coolidge 的名作《玩撲克的狗》最終以更多的狗臉告終。


還有這張,(它對)曼哈頓百老匯的解釋(理解)相當怪異。這可能是你在片刻清醒時最迷幻的體驗。


這幅壯麗的圖像出自一座日本的寶塔。它仍然在那裡,但(周圍卻)環繞著超過一打兒的其他小塔。


這是西雅圖的天際線(以天空作背景的外景輪廓),包括可全視(俯看城市全景)的太空針塔。前景(色)已經被轉化為汽車的形狀,這是 Deep Dream 中另一常見的(輸出)結果。


另一個有著許多明亮拱門好像還有些藝術氣息的的結果。「這種圖像的(處理)結果大異,是因為輸入的特性造成了(神經)網路的偏差,使其朝著某些(方向)解析」,研究人員說到。


然而不是每個人都想把這東西掛在他們家的牆面上,在天空中充斥著各種奇怪的混合生物是 Deep Dream 的主要表現。


這張或許會把安迪·穆雷(英國著名職業網球運動員)在溫布爾登(網球賽)上最後幾天的對手們嚇尿。


當然,無 Doge,網路不歡。這個基於著名柴犬的(惡搞)風潮起於 2013 年。

在社交媒體上或 Reddit 社區裡通過搜尋 #deepdream 標籤你可以找到更多的 Deep Dream 式圖像,你也可以借助 Deep Dream 機器人來製作自己的圖像。



如何才能自己動手做圖?
無編程經驗的情況下(有編程經驗的已略去,想自己配置軟體的可以移步上面給出的主題帖鏈接)

(下面是可用的免費網站網址,提交圖片後請等待服務端處理,需時各異)

1. http://dreamscopeapp.com

2. http://deepdream.in

3. http://deepdreamer.io

4. http://psychic-vr-lab.com/deepdream/

5. http://deepdream.akkez.ru

6. http://deepdreamit.com

7. http://deepdreamgenerator.com

8. http://deepdream.pictures/static/#/


音頻和影片是否也能做?
可以。要想做影片,你可以在影片的每一單幀上運行這段代碼(軟體),然後再合並到一起(時間軸)。不過,在這個帖子的討論中有些更具效率的方法。了解此事的最佳來源是這裡:https://github.com/graphific/DeepDreamVideo

如果你希望做些與類似的 gif 動態圖片,那麼你應該照著這裡的指導做(備忘:教程鏈接):
https://github.com/samim23/DeepDreamAnim

要想在音頻上玩耍,你得真正地了解自己在做什麼。音頻在多層反饋(遞歸)神經網路(Recurrent Neural Network)上的表現比在卷積神經網路(Convolutional Neural Networks)更好些,你還要創建大量的樣本(示例)音樂用來訓練你的反饋神經網路。


變成狗頭大餐的義大利面


肯德基外賣全家桶


二次元圖片對比


對同一圖片設置不同參數做出的不同風格圖片


拳王


梵谷的名作《星空》


壯麗的景色


文章編輯:大數據邦 原文翻譯:姬漢舊邦


回復 關鍵字 獲得推薦頭條文章

回復 宇宙 宇宙的終極密碼: 從釋迦摩尼到愛因斯坦

回復 班花 土豪張三怎樣用大數據思維追到「某江商學院」美女班花

回復 傅裡葉 不懂數學也能明白傅裡葉分析和感受數學之美

回復 高官 中國高官晉升模型分析:如何在55歲前晉升省部級首長

回復 常委 分析預測下一屆政治局常委可能都有誰?

回復 女人 女人最懂大數據!

回復 美人 大數據分析:如何成為美人?

回復 色情 大數據!你能在色情行業裡做什麼!




閱讀原文


關於作者:
深度分析大數據產業的資本、科技、商業價值

微信號:bigdatabang