作家
登录

如何用深度学习将前端设计模型自动转换为代码?

作者: 来源: 2018-03-24 18:30:12 阅读 我要评论

在我们的最终版本中,我们将应用 pix2code 论文中生成的 Bootstrap 网站的一个数据集。经由过程应用 Twitter 的 Bootstrap,我们可以将 HTML 和 CSS 相结合,并且缩减词汇表的大年夜小。

在这种情况下,我们就有三个标签特点。是以,我们获得了雷同数量的图像特点和标签特点。

 连接图像特点和标签特点

所有的句子都经由填充,以便创建三个标签特点。因为我们已经预处理过了图像特点,如今我们可认为每个标签特点添加一个图像特点。

图片到编码收集其实就是 Image Caption 模型。 但即使我已经意识到了这点,我仍然忽视了很多有关 Image Caption 的论文,只是因为认为它们没有那么酷。当我发明到这点后,我加快了对问题的懂得。

为了拿到最终的分数,你须要将获得的数字都乘以 25%,(4/5)*0.25 + (2/4)*0.25 + (1/3)*0.25 + (0/2)*0.25 = 0.2 + 0.125 + 0.083 + 0 = 0.408。乞降的结不雅再乘以句子长度的处罚值。因为我们例子中的句子长度是精确的,所以乞降的结不雅直接就是最终的结不雅。

解码器

这里,我们应用图像标签特点组合来猜测下一?标签。

鄙人面的例子中,我们应用三个图像标签特点组合来输出下一?标签特点。

请留意,这里 LSTM 层的 sequence 被设置为 false。由此,LSTM 层返回的是一个猜测的特点,而不是输入序列的长度。在我们的例子中,这将是下一?标签的特点,包含了最终猜测所需的信息。

最终的猜测

密集层像传统前馈神经收集那样,将下一?标签特点中的 512 个值与 4 个最终猜测连接起来。假设我们的词汇表中有四个词:start、hello、world 和 end。

词汇猜测可所以 [0.1,0.1,0.1,0.7]。密集层中的 softmax 激活函数分布概率是 0 到 1,所有猜测的总和等于 1。在这种情况下,它猜测第 4 个单词会是下一?标签。 然后,将独热编码 [0,0,0,1] 转换为映射值,比如“end”。


  推荐阅读

  北京市为自动驾驶开绿灯,向百度发放首批自动驾驶路测号牌

全平易近充电节 | 3月26日~30日 2000位IT行业拭魅战专家邀请你一路充电进修!根据筹划,北京市组织扶植了首个占地200余亩的海淀主动驾驶封闭测试场地,测试场包含城市、村庄的多种门路类型,具有丰富的测>>>详细阅读


本文标题:如何用深度学习将前端设计模型自动转换为代码?

地址:http://www.17bianji.com/lsqh/40844.html

关键词: 探索发现

乐购科技部分新闻及文章转载自互联网,供读者交流和学习,若有涉及作者版权等问题请及时与我们联系,以便更正、删除或按规定办理。感谢所有提供资讯的网站,欢迎各类媒体与乐购科技进行文章共享合作。

网友点评
自媒体专栏

评论

热度

精彩导读
栏目ID=71的表不存在(操作类型=0)