編者按：今天是母親節。我們在給偉大的媽媽們送上祝福的同時，特意準備了一些和辣媽們美好生活息息相關的話題。第一個話題與時尚相關——
我們知道，機器學習已經擾亂了世界的各個行業 ，其中包括了經常被提起的時裝零售市場：如庫存管理，服裝試穿的虛拟現實(vr)系統，最常見的是根據消費者喜好和購買習慣的推薦系統，等等。但我們今天要聊的不是這些，而是來看看機器學習如何從根本上颠覆着時尚行業這一極其主觀的行業。
機器學習正在用一些前人從未想過的新穎獨特的方式重新定義着時尚界。這些模型在不久的将來也許可以像我們人類一樣，解讀藝術，甚至創造藝術。
機器學習給你的“時髦程度”打分
你曾經懷疑過你朋友對你的時尚品味評論得不誠實？現在好了，你可以通過計算機來驗證你的這個懷疑。如果計算機告訴你，你的品味很差勁，也不要沮喪，因為軟體可以幫你提升你的品味。
多倫多大學的學者們最近正緻力于搭建一個機器學習模型，根據一系列元素對你街拍照片進行甄别、精準定位、告你錯在哪裡。時尚度元素不僅僅指每個人的穿搭，還包括照片中的人，他/她的年齡，拍照人拍攝水準，照片背景，等等；這些元素的選擇，是為了保證可以對時尚有着更加深入、精準的閱讀，而不是僅僅隻看穿着。因為研究者相信，一個人的穿着并不是一個完美的時尚名額，一個人看起來的樣子，應該與他/她的性格、體态各方面相比對。
在這個測試中，電腦會對你的照片有一個時尚與否的回報。如果很不幸地，電腦認為你的照片不夠時尚，它可能會告訴你：你的衣服不适合你！有時候你會比較幸運，電腦隻是會告訴你：換個背景就ok！
照片背景是不是缺乏吸引力？
這個算法在評價你照片的整體視覺吸引力時，會将它與資料庫中已存、已被評估過的照片進行對比。這裡所說的“已被評估過的照片”，是搜集時尚網站chictopia.com上的144,169張照片、并對它們的點贊及評論情況進行分析得到的結果。這裡，我們不得不說，這些被評估的照片，無疑是帶着主觀色彩的、代表的是大衆品味，但是藝術從來都是主觀的，你說是吧？
對于一張新的照片，會有新的訓練資料集生成，但是這是怎麼做到的呢？這個機器學習模型首先會選出你照片集中得分最高的一張照片，用orbeus rekognition api接口輸入你的面部特征，包括民族、情感、年齡和美貌。它會掃描你的着裝資料、選擇一些描述性文字，通過已訓練好的場景分類器分析你的照片背景。接着，它基于flickr80k（它可以檢測到不同的照片風格）研究你的照片風格。最終，綜合所有這些資料，一張照片的時尚度也就被确定了。
在将來，這個算法将能夠識别最适合你穿的衣服，或者幫你确定最适合你這件衣服的背景在哪裡。
算法幫你找到下一個超模面孔
研究員們的目光不僅僅局限于實物。印第安納大學布盧明頓分校(indiana university inbloomington)的學者們緻力于搭建機器學習算法來發現未來的超級模特。他們從431個新人女模特中提取資料，包括名字，年齡，體重，身高，三圍，衣服及鞋子尺碼，經紀公司的名氣和級别，目前為止的模特經驗（不過因為都是新人，是以她們的經驗資料很相似）。他們還收集了模特的社交網絡(instagram)賬号在過去3個月的資料，包括評論和轉發的數量。他們也為社交網絡的評論資料作了情感分析，判斷人們對每個模特的看法是正面的還是負面的。
用這些變量，他們用機器學習模組化，預測下一季時裝周中走秀次數最多，最受歡迎的女模特。其中最準确的算法成功預測出了8個最受歡迎的模特中的6個。他們的實驗還有很多不足，比如由于資料不完整性，他們最終的算法采用的樣本數量很少，并且沒有考慮男模特的資料；用時裝周走秀次數多少來衡量一個模特是否是超模也受到質疑，畢竟chanel和hermes這樣的大牌秀場比某些其他的牌子要有含金量得多。 但是，在時尚行業這個競争激烈到令人發指的領域，這個研究已足夠引起人們的注意。細小的優勢都可能為一個模特是否能夠取得成功提供巨大的幫助 – 比如模型裡的變量中經紀公司的名氣，以及社交網絡賬号的建設。不少業界人士已經在密切關注這類研究的進展來調整自己的戰略方向。
讓計算機成為“時尚設計師”
在時尚領域，機器學習不僅僅可以用來做一些預測之類的事情。tj torres，這位stitch fix服裝公司的創始人，嘗試将神經網絡用在服裝設計中。
stich fix公司意在為設計師提供一個很棒的圖案推薦系統，使他們在設計服裝時能如虎添翼。這個系統需要包含一個自動化了解和量化基本服裝風格的流程。時尚是一種視覺藝術形式，是以在設計這樣一個自動化系統時，首先需要利用圖像來解釋服裝風格。常用的有監督學習(supervised learning)機器學習方法需要從圖像中提取一系列合适的特征，使得這些特征能夠代表某一種風格。然而，圖像資料是沒有結構的，如何從這種無結構資料中提取内容資訊是機器學習和人工智能面臨的挑戰之一。
他們模拟人腦處理無結構資料的辦法，利用人工神經元建立了一個“有思想的”手工藝互聯系統（網絡）。在将圖像資料在這個網絡進行“傳輸”的過程中，能夠激發某一些神經元工作。針對某一種風格，他們想給這個系統輸入很多相關的執行個體，進而讓它模仿這樣一個學習過程，去增強或減弱某些神經元之間的關聯，最終使網絡的輸出朝正确的方向靠近。然而，這種有監督學習模型無法明确的去定義一種風格，風格之間的差別也是非常不清晰的。是以，訓練資料集根本就沒有标簽，有監督學習過程無法實作。
還好，我們還有另外一種學習方式，叫做無監督學習(unsupervised learning)。回想一下我們首次學習說話的過程。其實，沒有人具體的告訴你如何說話，或者跟你講你第一次說出的那些單詞的意思。既然我們一開始并沒有關于語言的任何概念，那麼這些關于語句的資訊是如何傳遞給我們的呢？反正最終我們确實學會了語言，也學會了說話。
受到人類學習說話的啟發， tj torres他們想模仿這樣一種無監督學習過程。同時，他們的目的是剔除掉那些不必要的，和風格沒有關系的資訊，專注在區分服裝風格上。他們發明了一種自動編碼器。它是一個神經網絡，旨在先編碼資料，然後對其進行解碼，并比較被解碼的資料與原始資料比對程度，進而産生資料的編碼形式。要做到這一點，資料先進入一層一層的神經元，下一層的分支都比上一層少，進而壓縮資料。然後再把壓縮後的資料進入另外一個系統，同樣是一層一層的神經元，但每一層分支都比上一層多，直到我們拿到和原來資料特征數目差不多的資料，解壓完畢。比較解碼後的資料和原始資料，我們可以加強那些導緻資料相似的神經元之間的連接配接，削弱那些沒有幫助的連接配接。通過輸入很多圖像，反複這個“輸入圖像->編碼->解碼->輸出圖像”過程，神經網絡被訓練的可以有效表述相似的風格，而不用被明确告知這些表述具體是什麼。
從上面這個圖可以看到，他們在同一個風格内創造出了不同的圖案。模型的目的是對風格進行編碼，但是如果想進一步搞清楚到底這個風格是什麼，我們需要在不同的次元單獨進行研究。下圖就是改變不同次元的參數進而得到不同圖案的例子。
盡管神經網絡用在服裝設計領域還處于非常早期的嘗試狀态，但由于它将貝葉斯推理和無監督深度學習相結合，進而代替了比較難做到的、需要具有指導性的圖檔特征提取，因而在計算機視覺和圖像處理領域具有很廣闊的應用前景。
原文釋出時間為：2016-05-08
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号