人工智能+新媒体排版=（基于 Python）
传统意义上的新媒体页面开发过程
无论是一篇品牌级微信图文，还是一个新网页上线，运营人都知晓这样一个漫长的流程：
产品经理启动用户需求调研并罗列出页面需求清单。设计师着手进行低保真视觉模型设计，逐步打磨至高保真原型并切片。工程师通过代码实现产品经理的诉求和设计师的模型，并完成适配和优化，最终交付到用户。所以新媒体页面的工作周期很快会成为团队的瓶颈。无论是新媒体在移动端高频的图文推送、新媒体在PC端的网页设计、新媒体在APP端的交互效果……大公司例如Airbnb等在内，已经开始基于深度学习，让人工智能解决排版问题。
Airbnb开发了由线稿到前端代码的AI
但是，产品经理的“手绘线稿”本质上是“闭源”的。如Airbnb的AI，我们无从知晓它的深度学习训练样本情况，数量？端到端？手绘依赖程度？所以Kumar决定开发出这套开源的人工智能工具。
能完成这样一个项目并不意外，毕竟机器学习中的图像识别技术是相对成熟的，只是更广泛情况下开发者是为了最终生成文本，描述图片的内容。这两天国内的SenseNets（深网视界）被外媒曝光发生大规模人脸数据泄露，超过250万人的数据可被获取，680万条记录包括身份、脸部特征、捕捉弟地点等均流出。这就是图像识别的一个具体应用。
而在本项目中，则是通过训练系统识别线框结构，进而以HTML5布局的方式反馈给用户。
训练样本
本项目使用了另一个开源项目pix2code中的数据库，其中包含1750个综合抓取的网站及其相关源代码的截图。
为了将它们转化为各色各样的手绘稿，Kumar基于这些样本将按钮、文本框和初步分甄别来。
随后，他通过OpenCV和PIL等进行辅助，对每个图像进行手绘转制，例如灰度调整和轮廓嗅探等。当然Kumar也对这套人工智能系统补充了如圆角半径、描边、阴影、字体的篡改，使得它更接近手绘结果。终于，sketch-code的训练样本准备好了。
样本投喂
到了关键的“投喂”阶段，这个模型中有三个部分需要协同运作：
一个计算机视觉模型，它使用卷积神经网络（CNN）从源图像中提取图像特征。采用时间递归神经网络中的GRU（GatedRecurrentUnit）组成的语言模型，它对源代码令牌序列进行编码。解码器模型，它将前两个步骤的输出作为输入，并预测序列中的下一个token。系统评测
经过了一系列的训练，Kumar采用BLEU评分来评估模型的训练成果。这是AI翻译任务中常用的度量标准，它旨在测量机器生成的文本与给定相同输入的人类生成的文本的相似度。
Kumar手动设置了满分（1分）的效果标准，因而对于生成结果差强人意的HTML5新媒体排版，BLEU的打分就会变低。最终，经过了样本的训练后，BLEU对当前系统给出了0.76分的成绩。
样式优化
开发过程当然不会戛然而止，Kumar为sketch-code增加了基本框架之外的CSS自定义渲染规则。
这就意味着对于用户来说，你可以在该系统中加入自己的企业视觉系统的一些CSS特色，这样即便相同的手绘稿，在不同渲染规则下也会产生不一样的HTML5页面结果。
相信如果你也开始使用这个项目，你的手绘也会成为一个学习样本进一步优化sketch-code的。
未来的新媒体工作
所以在未来，我们可以设想这样的场景：产品经理在会议室主持，经过讨论大家在白板上涂鸦画出了某期微信图文消息的结构，或某个官方网站的基本框架。然后产品经理给白板拍了张照片，类似sketch-code就可以开始执行Python的命令。大约在5秒后，整个页面就生成了。接下去，文案和设计在对应位置添加好文字和图片即可。
是不是有点小期待呢？
其实JZ在新书《硬核运营》开篇就探讨了新媒体行业发展的很多未来概念：弯曲屏下的自适应新媒体、VR与AR下的新媒体生态空间等等……新媒体绝不是营销号炮制10W+软文的空间，它们终究只会如蝼蚁般被时代碾碎，更顶端的品牌和个人，将通过技术的翅膀带给读者和观众更多叹为观止的新媒体内容。
项目说明：Kumar
译稿校对：Nyx
回复H5阅读更多移动营销技术帖
回复python了解机器学习热门语言返回搜狐，查看更多
人工智能画册设计图
Copyright©2023NiPic.comAllRightsReserved版权所有·昵图网昵图网是网络服务平台方，若您的权利被侵害，请联系copyright@nipic.com本站法律顾问：陈明律师
浙ICP备14012994号-1增值电信业务经营许可证：浙B2-20140130违法和不良信息举报电话：0571-89267010
网络工商电子营业执照
浙公网安备33011002011092号