对于那些对Facebook今年在社会中所面对的一系列挑战深感赞叹的人来说，该公司人工智能团队的近期研究成果获取了一个引人入胜的目标：“让AI更加有吸引力”。FacebookAI部门的研究人员寻找了一种培训机器学习模型的方法，不仅可以标示图像解释，而且可以对照片，使用有可能对某个人来说更加有意思的多种评论风格展开叙述。传统的机器学习任务顺利地将叙述自动地放到图像上“对于检验机器否解读图像的内容很简单”，他们写到，“但它们并没像人物那样更有人类。

”在这种情况下，人格可以从爱情到刻薄到情绪，以及两者之间的各种决定。例如，一张三明治的图片可以被平易近人地标记为“这是一个甜美的三明治”，或者极具嘲讽性，“我做到的食物比这更佳”。这项工作是对几种最先进设备技术的混搭，例如如何确认图像的内容，以及如何分解精致的句子。RedHat?OpenShift应用于程序运行时可协助企业用于云交付给模型，并以Redbative方式修改RedHatOpenShift平台上应用程序和服务的持续交付给。

RedHatOpenShift应用于程序运行时基于成熟期的开源技术，还为研发团队获取了多种现代化选项，以便为现有应用程序平稳过渡到云。该论文“通过个性更有图像字幕”，并公布在arXiv实印本服务上，由KurtShuster，SamuelHumeau，胡海良，AntoineBordes和FacebookAIResearch的JasonWeston编写。神经网络模型的作者创立的，其中它们展开拷贝“TransResNet，”依赖内置放“编码”的图像数据的几个国家的最先进设备的方案，还包括了“ResNet152”编码器通过Sebastian马塞尔和晏Rodriguez的繁盛一块在2010年被称作“Torchvision”的软件。

然后将该编码器的输入给与“具备ReLU[容许线性单位]转录单位的多层感知器”。为此，作者加到了一种人格特质的“映射”。接下来，作者训练两个编码器，他们称作“下一个话语检索任务”，它利用一个数据库，该数据库包括“17亿对话语，其中一个编码上下文，另一个编码下一个话语的候选者”。

“然后，作者指出TransResNet在一系列标准基准测试中具备竞争力，甚至更优越，可以为图像应用于标题。但是为了指出一个标题的个性可以产生影响，他们让一群人看见人为创作的标题和自动分解的标题，并讲出他们找到“极具吸引力”。报告作者：“找到以人格为条件的字幕比图像的中性字幕极具吸引力，获得胜利率为64.5％，用于二项式双尾检验具备统计学意义。”在将他们的工作与人们编写的“引人入胜”字幕展开较为时，研究人员找到“我们最差的TransResNet模型完全与人类作者相匹配，获得胜利率为49.5％。

作者认为，这是更进一步发展其模型的基准，“这个领域迅速就不会经常出现超人展现出的可能性。”有意思的是，作者留给了一些他们无法仿效的人格特征，例如“分配中心，痛骂，灵活性，质朴和不可见”，他们写出的所有这些都无法说明。

关于这个世界的情绪，所有这些都有可能有更加普遍的教训。在研究组中，人们被拒绝评估标题的吸引力，作者写到，当他们被明确提出两个传达没特定个性的标题时。

一方面，这只是一个事实，一个传达大力观点的标题-“好猫咪！”或者一些这样的-另一方面，人们偏向于找到大力的标题极具吸引力。但是当经常出现负面字幕时，人们找到它们不像那些只是事实的那样具备吸引力。充足的消极性，有可能是店内。

本文来源：欧博abg官网-www.glasscannongaming.com