【机器学习*时尚】让计算机成为你的私人设计师

编者按：今天是母亲节。我们在给伟大的妈妈们送上祝福的同时，特意准备了一些和辣妈们美好生活息息相关的话题。第一个话题与时尚相关——

我们知道，机器学习已经扰乱了世界的各个行业 ，其中包括了经常被提起的时装零售市场：如库存管理，服装试穿的虚拟现实(VR)系统，最常见的是根据消费者喜好和购买习惯的推荐系统，等等。但我们今天要聊的不是这些，而是来看看机器学习如何从根本上颠覆着时尚行业这一极其主观的行业。

机器学习正在用一些前人从未想过的新颖独特的方式重新定义着时尚界。这些模型在不久的将来也许可以像我们人类一样，解读艺术，甚至创造艺术。

◆ ◆ ◆

机器学习给你的“时髦程度”打分

你曾经怀疑过你朋友对你的时尚品味评论得不诚实？现在好了，你可以通过计算机来验证你的这个怀疑。如果计算机告诉你，你的品味很差劲，也不要沮丧，因为软件可以帮你提升你的品味。

多伦多大学的学者们最近正致力于搭建一个机器学习模型，根据一系列元素对你街拍照片进行甄别、精准定位、告你错在哪里。时尚度元素不仅仅指每个人的穿搭，还包括照片中的人，他/她的年龄，拍照人拍摄水准，照片背景，等等；这些元素的选择，是为了保证可以对时尚有着更加深入、精准的阅读，而不是仅仅只看穿着。因为研究者相信，一个人的穿着并不是一个完美的时尚指标，一个人看起来的样子，应该与他/她的性格、体态各方面相匹配。

在这个测试中，电脑会对你的照片有一个时尚与否的反馈。如果很不幸地，电脑认为你的照片不够时尚，它可能会告诉你：你的衣服不适合你！有时候你会比较幸运，电脑只是会告诉你：换个背景就OK！

照片背景是不是缺乏吸引力？

这个算法在评价你照片的整体视觉吸引力时，会将它与数据库中已存、已被评估过的照片进行对比。这里所说的“已被评估过的照片”，是搜集时尚网站chictopia.com上的144,169张照片、并对它们的点赞及评论情况进行分析得到的结果。这里，我们不得不说，这些被评估的照片，无疑是带着主观色彩的、代表的是大众品味，但是艺术从来都是主观的，你说是吧？

对于一张新的照片，会有新的训练数据集生成，但是这是怎么做到的呢？这个机器学习模型首先会选出你照片集中得分最高的一张照片，用Orbeus ReKognition API接口输入你的面部特征，包括民族、情感、年龄和美貌。它会扫描你的着装数据、选择一些描述性文字，通过已训练好的场景分类器分析你的照片背景。接着，它基于Flickr80k（它可以检测到不同的照片风格）研究你的照片风格。最终，综合所有这些数据，一张照片的时尚度也就被确定了。

在将来，这个算法将能够识别最适合你穿的衣服，或者帮你确定最适合你这件衣服的背景在哪里。

◆ ◆ ◆

算法帮你找到下一个超模面孔

研究员们的目光不仅仅局限于实物。印第安纳大学布卢明顿分校(Indiana University inBloomington)的学者们致力于搭建机器学习算法来发现未来的超级模特。他们从431个新人女模特中提取数据，包括名字，年龄，体重，身高，三围，衣服及鞋子尺码，经纪公司的名气和级别，目前为止的模特经验（不过因为都是新人，所以她们的经验数据很相似）。他们还收集了模特的社交网络(Instagram)账号在过去3个月的数据，包括评论和转发的数量。他们也为社交网络的评论数据作了情感分析，判断人们对每个模特的看法是正面的还是负面的。

用这些变量，他们用机器学习建模，预测下一季时装周中走秀次数最多，最受欢迎的女模特。其中最准确的算法成功预测出了8个最受欢迎的模特中的6个。他们的实验还有很多不足，比如由于数据不完整性，他们最终的算法采用的样本数量很少，并且没有考虑男模特的数据；用时装周走秀次数多少来衡量一个模特是否是超模也受到质疑，毕竟Chanel和Hermes这样的大牌秀场比某些其他的牌子要有含金量得多。 但是，在时尚行业这个竞争激烈到令人发指的领域，这个研究已足够引起人们的注意。细小的优势都可能为一个模特是否能够取得成功提供巨大的帮助 – 比如模型里的变量中经纪公司的名气，以及社交网络账号的建设。不少业界人士已经在密切关注这类研究的进展来调整自己的战略方向。

◆ ◆ ◆

让计算机成为“时尚设计师”

在时尚领域，机器学习不仅仅可以用来做一些预测之类的事情。TJ Torres，这位Stitch Fix服装公司的创始人，尝试将神经网络用在服装设计中。

Stich Fix公司意在为设计师提供一个很棒的图案推荐系统，使他们在设计服装时能如虎添翼。这个系统需要包含一个自动化理解和量化基本服装风格的流程。时尚是一种视觉艺术形式，因此在设计这样一个自动化系统时，首先需要利用图像来解释服装风格。常用的有监督学习(Supervised Learning)机器学习方法需要从图像中提取一系列合适的特征，使得这些特征能够代表某一种风格。然而，图像数据是没有结构的，如何从这种无结构数据中提取内容信息是机器学习和人工智能面临的挑战之一。

他们模拟人脑处理无结构数据的办法，利用人工神经元建立了一个“有思想的”手工艺互联系统（网络）。在将图像数据在这个网络进行“传输”的过程中，能够激发某一些神经元工作。针对某一种风格，他们想给这个系统输入很多相关的实例，从而让它模仿这样一个学习过程，去增强或减弱某些神经元之间的关联，最终使网络的输出朝正确的方向靠近。然而，这种有监督学习模型无法明确的去定义一种风格，风格之间的区别也是非常不清晰的。因此，训练数据集根本就没有标签，有监督学习过程无法实现。

还好，我们还有另外一种学习方式，叫做无监督学习(Unsupervised Learning)。回想一下我们首次学习说话的过程。其实，没有人具体的告诉你如何说话，或者跟你讲你第一次说出的那些单词的意思。既然我们一开始并没有关于语言的任何概念，那么这些关于语句的信息是如何传递给我们的呢？反正最终我们确实学会了语言，也学会了说话。

受到人类学习说话的启发， TJ Torres他们想模仿这样一种无监督学习过程。同时，他们的目的是剔除掉那些不必要的，和风格没有关系的信息，专注在区分服装风格上。他们发明了一种自动编码器。它是一个神经网络，旨在先编码数据，然后对其进行解码，并比较被解码的数据与原始数据匹配程度，从而产生数据的编码形式。要做到这一点，数据先进入一层一层的神经元，下一层的分支都比上一层少，从而压缩数据。然后再把压缩后的数据进入另外一个系统，同样是一层一层的神经元，但每一层分支都比上一层多，直到我们拿到和原来数据特征数目差不多的数据，解压完毕。比较解码后的数据和原始数据，我们可以加强那些导致数据相似的神经元之间的连接，削弱那些没有帮助的连接。通过输入很多图像，反复这个“输入图像->编码->解码->输出图像”过程，神经网络被训练的可以有效表述相似的风格，而不用被明确告知这些表述具体是什么。

从上面这个图可以看到，他们在同一个风格内创造出了不同的图案。模型的目的是对风格进行编码，但是如果想进一步搞清楚到底这个风格是什么，我们需要在不同的维度单独进行研究。下图就是改变不同维度的参数从而得到不同图案的例子。

尽管神经网络用在服装设计领域还处于非常早期的尝试状态，但由于它将贝叶斯推理和无监督深度学习相结合，从而代替了比较难做到的、需要具有指导性的图片特征提取，因而在计算机视觉和图像处理领域具有很广阔的应用前景。

参考素材：

http://thinkbigdata.in/unimaginable-ways-machine-learning-now-disrupting-fashion-industry/

http://www.wired.co.uk/news/archive/2015-06/23/fashion-solving-algorithm-judges-your-instagram-photos

https://imagga.com/solutions/categorization-api.html

https://www.technologyreview.com/s/541036/machine-learning-algorithm-predicts-which-new-faces-will-make-it-as-fashion-models/

http://multithreaded.stitchfix.com/blog/2015/09/17/deep-style/