摘要：最重要的是，我的代碼全部以實現(xiàn)，是時候讓前端工程師們在人工智能機器學(xué)習(xí)領(lǐng)域大展身手了。千萬不要被表象所困擾，更不要被人工智能機器學(xué)習(xí)的標簽所迷惑?；谕瑯佑捎嬎銠C視覺科學(xué)家開發(fā)的成熟且高度可擴展的深度學(xué)習(xí)技術(shù)，每天能夠分析數(shù)十億張圖像。

最近HBO電視網(wǎng)推出的美劇《硅谷Silicon Valley》席卷全球，里面有一個橋段介紹了超級有趣的iOS app－?Not Hotdog。你甚至可以在APP Store上下載到它。

受啟發(fā)于此，我打算開發(fā)一個實現(xiàn)同樣功能的“機器人”：用戶只需要上傳任何一張圖片，馬上就可以得到反饋，告訴你這張圖片的內(nèi)容是不是一個熱狗。最重要的是，我的代碼全部以JS實現(xiàn)，是時候讓前端工程師們在人工智能／機器學(xué)習(xí)領(lǐng)域大展身手了。

這個APP以Twitter為宿主，基于Twitter Bot機器人：任何Twitter用戶都可以發(fā)布一張圖片，并且在上傳描述文字中加入“@IsItAHotdog”，就能立即得到回復(fù)。就像大陸常用的微博加入"＃"描述符一樣簡單。

千萬不要被表象所困擾，更不要被“人工智能／機器學(xué)習(xí)”的標簽所迷惑。其實實現(xiàn)方式和原理非常簡單。

首先，我forked?@BryanEBraun’s 的開源作品Twitter bot，它基于NodeJS，Twitter Bot譯為機器人：會定時發(fā)推，或隨機回復(fù)。

官方介紹內(nèi)容也非常簡潔明了：

This is a simple twitter bot, designed to retweet the contents of a twitter list.

借助這個工具，接下來我的工作就是對提到"IsItAHotdog"的推文（即含有IsItAHotdog標簽），作出回應(yīng)。

在安裝?tuiter?NPM包之后，代碼中引入依賴，并加入：

 var tu = require("tuiter")(config.keys);
 function listen() {    
    tu.filter({        
        track: "isitahotdog"    
    }, function(stream) {        
        console.log("listening to stream");
        stream.on("tweet", onTweet);
    })
}

當然，我們只對含有圖片的推文進行處理：

  if(tweet.entities.hasOwnProperty("media") && tweet.entities.media.length > 0)

最后，我們把結(jié)果寫進推文回復(fù)中：

tu.update({
    status: "@" + tweet.user.screen_name + message,        
    in_reply_to_status_id: tweet.id_str    
}, onReTweet);

以上只是介紹了劫持推文，發(fā)布回復(fù)的內(nèi)容。那么回復(fù)的結(jié)果應(yīng)該怎么獲得呢？我們怎么知道圖片是不是熱狗呢？這就到了最重要的一步。

熟悉深度學(xué)習(xí)的朋友可能會了解，接下來我們可能需要收集圖片，并用Keras搭建CNN常用神經(jīng)網(wǎng)絡(luò)。其中Keras是一個兼容Theano和Tensorflow的神經(jīng)網(wǎng)絡(luò)高級包, 高度模塊化，用他來組建一個神經(jīng)網(wǎng)絡(luò)非常快速便捷。

這些內(nèi)容可能中文資料并不多，僅有的一些如果大家感興趣的話，我推薦：

對比學(xué)習(xí)用 Keras 搭建 CNN RNN 等常用神經(jīng)網(wǎng)絡(luò)

Basic Machine Learning and Deep Learning

但是這些深度學(xué)習(xí)的內(nèi)容，可能很多前端工程師并不是太了解，那么我們就得重新修煉才能玩轉(zhuǎn)這一切嗎？

別急，現(xiàn)在就可以開始！這里我給大家安利一下AWS Rekognition，我們的APP也是基于AWS Rekognition來完成。

Amazon Rekognition 是一種讓您能夠輕松為應(yīng)用程序添加圖像分析功能的服務(wù)。利用 Rekognition，您可以檢測對象、場景和面孔，可以搜索和比較面孔，還可以識別圖像中的不當內(nèi)容。借助 Rekognition 的 API，您可以快速為應(yīng)用程序添加基于深度學(xué)習(xí)的復(fù)雜視覺搜索和圖像分類功能。

換句話說，“不了解機器學(xué)習(xí)，簡單的調(diào)用幾個API都應(yīng)該會吧。”

Amazon Rekognition基于同樣由Amazon計算機視覺科學(xué)家開發(fā)的成熟且高度可擴展的深度學(xué)習(xí)技術(shù)，每天能夠分析數(shù)十億張 Prime Photos 圖像。

說到這里可能有些繞，其實來看下代碼，非常的簡單：

 var params = {
     Image: { 
         Bytes: body
     },
     MaxLabels: 20,
     MinConfidence: 70
 };
  
 rekognition.detectLabels(params, function(err, data) {
    if (err) console.log(err, err.stack); // an error occurred
    else {
        console.log(data);           // successful response
        var isItAHotdog = false;
        for (var label_index in data.Labels) {
            var label = data.Labels[label_index];
            if(label["Name"] == "Hot Dog") {
               if(label["Confidence"] > 85) {
                    isItAHotdog = true;
                    tweetBasedOnCategorization(tweet, true);
                }
            }
        }
        if(isItAHotdog == false) {
            tweetBasedOnCategorization(tweet, false);
        }
    }
});

我把推文附帶的圖片下載到自己的服務(wù)器機器上，然后通過AWS Node SDK傳遞給Rekognition，并設(shè)置相應(yīng)的參數(shù)，包括置信區(qū)間等。
最后，在回調(diào)中獲得最終結(jié)果。

讓我們來看一組測試結(jié)果吧：

這一切的開發(fā)過程都是非常的簡單，如果你想看到源碼，我fork了一份，并加入了中文注解。請點擊這里查看源碼。

本文翻譯自Building Silicon Valley’s Hot Dog App in One Night，對于原文進行了部分擴展。

Happy Coding!

最后，可恥地做一波廣告：

受到gitChat的邀請，我要開分享了。形式類似知乎Live，但是這個平臺我感覺少了浮躁而更加專業(yè)。
主題內(nèi)容為：面對前端六年歷史代碼，如何接入并應(yīng)用ES6解放開發(fā)效率。

我邀請了資深前端專家，社區(qū)網(wǎng)紅@顏海鏡同我一起，詳情介紹點擊這里。

微信掃描下方二維碼，即可參加：

PS: 作者Github倉庫，歡迎通過代碼各種形式交流。