來源：大資料文摘

本文長度為 1400字，建議閱讀 5分鐘

本文為你介紹AI表情包生成器，一起來鬥圖吧！

 

在這個一言不合就鬥圖的年代，表情包已經成為了人人必需的“裝備”。

最近，我們就發現一位外國友人做了個 AI表情包生成器，坦白講這個 生成器依然逃不過“沙雕”的標籤，就像之前的“狗屁不通文章生成器”和“讀後感生成器”。

它的首頁是這個樣子的有 48個表情包模板可供使用。

 

傳送門：

*看到這裡有沒有朋友好奇“Meme”是什麼？事實上，“Meme”就是我們常說的表情包。

網站標題“This Meme Does Not Exist”也延續了之前各種StyleGan生成網站的“不存在”系列，意喻“不存在的表情包”。

接下來就讓我們直奔主題，我們要好好看看它能給表情包配上什麼字~

首先，大致掃了一眼，發現最眼熟的就是第二行中間那隻doge，確認過眼神，就它了！選中圖片之後，就生成了以下表情包：

 

這個文字配的嘛，大家仔細品，還是比較符合我們日常的表情包風格。再點選重新整理，AI又會給這張圖配上新的文字，下面這張送給吃貨朋友們：

 

重新整理了幾次，我們發現，出現次數最多的詞彙有“ wow”，“ such”，“ much”等一些百搭詞彙，而這個AI文字生成器的 水平也是 參差不一，有時覺得這個表情包可以拿來用，有時就覺得很荒謬，get不到有趣的點。

除此之外，我們還可以在 文字框裡輸入一些文字提示，來幫助它生成我們想要的表情包。比如我們輸入“hello”，就生成了這樣子的表情包：

 

這...真的難為它了。要不我們輸入一點符合表情包邏輯的單詞？比如：

 

立馬就有內味兒了是不是！

這個網站除了生成表情包還能幹啥

從這個網站首頁看來，似乎還是一個表情包發燒友的交流社群？大家可以把自己製作的表情包釋出到網站，使用者可以根據喜好來投票。

 

AI生成表情包只是這個網站的一個專案，除此之外還可以手動上傳表情包背景，以及輸入表情包內容。但在我們看來，這個網站相比國內微信表情包搜尋和某圖的一鍵表情包p圖，簡直弱爆了~

 

說了這麼多，還沒有介紹專案作者。這個表情包生成器的作者是Dylan Wenzlau，也是 這個表情包素材平臺Imgflip的創始人。他在Medium上發表的一篇文章中，詳細介紹了表情包生成器的原理，是透過深度卷積網路製作的。

Medium超詳細教程：

深度卷積網路是一種常用於影像的神經網路，Wenzlau使用機器學習平臺Tensorflow和Keras對其進行了訓練，建立了一個能匹配48種不同表情包格式的文字生成模型。他還在Github上釋出了完整的程式碼供大家嘗試。

Github指路：

表情包質量如何，資料集來決定！

資料集簡直就是AI生成文案的靈魂啊，要想表情包更接地氣，就要儘可能多的收集資料。

就Wenzlau所說，在做這個生成器時，選取了 96萬個表情包文案作為訓練資料。為了使文字生成的更加精確，Wenzlau 以字母為單位作為一個訓練樣本，而不是一個單詞。他還表示，以字母為單位訓練的成果比以單詞為單位要有趣多了！因為對於英文來說，以字母劃分更加細緻，能夠激發AI更多的可能性。

 

實際上，表情包生成器並不是第一次出現，兩年前史丹佛大學的Abel L. Peirson V和E. Meltem Tolunayl就寫了一篇關於 使用深度神經生成表情包的論文。他們為此還做了一個APP，稱之為 首個可以用AI生成表情包的應用程式。

 

他們在論文中寫道， 資料集對這個生成器來說太重要了。

他們的資料集 由大約40萬張帶有標籤以及說明的圖片組成。其中有2600個專門的圖片-標籤組合，是他們 從Python指令碼中獲得的。

 

如上圖所示，資料集中一張圖片對應一個標籤和相關的說明，“手把手”教AI學習。

來看看這個AI的作品吧，你pick哪張呢？

 

目前看來，AI的這些配字，就像一個青澀的孩子說出來的話，有些很可愛，有些又很荒謬。

但事實上，幽默感確實很難評判，大都因人而異，還帶有一些主觀色彩。

這篇論文的作者也指出，他們的這項工作十分基礎，要想表情包更加接地氣，還要經過更長時間的研究。另外，他們還指出探索 視覺注意力機制在表情包生成中的作用，也是一個不錯的研究方向。

編輯：於騰凱

—完—