溫馨提示：如果下面內(nèi)容出現(xiàn)其他商家的聯(lián)系方式請不要加更不要交易,，因為內(nèi)容是網(wǎng)絡收集整理的，只有這個微信號：1064879863才是我們的哦（微信名叫貨源通）,，請注意防騙,！

大數(shù)據(jù)文摘出品

編譯：睡不著的iris、小七,、云舟

潮鞋交易正成為一門潛力巨大的生意，而這門生意的關(guān)鍵,，是識別真?zhèn)巍?/p>

一家名為GOAT的潮鞋交易平臺正嘗試用機器學習,，從七張照片中識別出一雙鞋子是否是真的。

每雙鞋的賣家會向平臺發(fā)送七張標準照片：從鞋子的不同角度拍攝標準化照片,，即鞋跟,，鞋底和側(cè)面，然后進行處理。

GOAT將基于這些圖片使用機器學習驗證它們是否真實,，并將它們與真實和冒版本的圖像數(shù)據(jù)庫進行比較,。

一旦上市，買家就會對鞋子出價,，類似于eBay,。

這家主打小眾市場的交易平臺希望“為買家和賣家提供最大的、安全的潮鞋交換市場”,，建立和完善認證流程,，以打擊在線運動鞋市場的欺詐行為。

成立3年以來,，該應用程序目前已經(jīng)擁有700萬用戶,，囊括超過400,000個潮鞋品牌，包括Yeezy Boosts,，Nike Air Max's和Chanel X Pharrell等,。

“這是圖像識別與機器學習的結(jié)合，因為我們每天都會在工作中獲得如此多的相同類型的鞋子,，”GOAT創(chuàng)始人表示,。

大量的用戶積累也讓GOAT構(gòu)建了一個真實潮鞋模型的數(shù)據(jù)庫。這一高質(zhì)量的“潮鞋圖像”數(shù)據(jù)庫成為了GOAT的巨大寶藏,。

這不是一項簡單的任務,。GOAT的產(chǎn)品目錄中由超過30,000雙的潮鞋（并且還在不斷增長），它們都有獨特的風格,、輪廓,、材質(zhì)、顏色等,，手動將整個產(chǎn)品目錄歸類是個棘手的問題,。

另外每有鞋上新都可能改變談論潮鞋的方式，這意味著GOAT需要對這一歸類方式時有更新,。

解決這個問題的一個方法是應用機器學習,。為了跟上不斷變化的潮鞋市場，GOAT使用可以找到對象之間的關(guān)系的模型,，而無需明確指出我們要找的是什么,。在實踐中，這些模型像人一樣去學習特征,。

在本篇文章中,，GOAT的一位機器學習工程師Emmanuel Fuentes

詳細介紹了GOAT如何使用機器學習構(gòu)建視覺屬性作為通用潮鞋語言的基礎(chǔ)。

隱變量模型

我們在GOAT使用人工神經(jīng)網(wǎng)絡近似估算產(chǎn)品目錄中最明顯的視覺特性,，即隱變異因子（latent factors of variation）,。機器學習中，這屬于流形學習（manifold learning）的范疇。

流形學習是基于設數(shù)據(jù)分布（例如潮鞋的圖像）通�,？梢栽诰植繗W式空間表示成較低緯特征,，同時保留了大部分的有用信息。結(jié)果將成千上萬的圖像像素轉(zhuǎn)換成可解釋的具有細微差別的特征,，并壓縮成一些數(shù)字的列表,。

流形是什么？

想象下你如何告訴你朋友去你家的路線,。你永遠不會用一系列原生GPS坐標來描述如何從他們家里到你家,。在這個比喻里面中，GPS代表的是高緯度,、寬域隨機變量,。相反，你可能會以一系列的街道名稱和轉(zhuǎn)向作為坐標的近似值指導他們駕駛,，這就是我們的流形（manifold）,。

建模

由于沒有昂貴的基礎(chǔ)真值標簽，我們使用諸如變分自編碼器（VAE）,、生成對抗網(wǎng)絡（GAN）以及各種混合的非監(jiān)督學習模型來學習流形,。模型將主要的潮鞋照片轉(zhuǎn)換為審美的隱因子，這也被稱為嵌入（embeddings）,。

許多情況下,，這些模型利用某種形式或形狀的自動編碼框架來推斷隱空間（latent space）。模型的編碼器將圖像分解成隱向量,，然后通過解碼器重構(gòu)圖像,。遵循這個步驟，我們會衡量模型重構(gòu)輸入和計算正確性的能力,，稱為損失,。模型利用損失作為改進標準，不斷迭代壓縮和解壓縮越來越多的圖像,。重構(gòu)任務推動“領(lǐng)結(jié)長相”模型來學習對任務最有用的嵌入,。與主成分分析（PCA）等其他降維技術(shù)類似，這項技術(shù)用來對數(shù)據(jù)集的變異性進行編碼,。

原型自動編碼器

注意事項和設計選型

僅僅能重構(gòu)圖像通常是不夠的,。傳統(tǒng)自動編碼器可以將數(shù)據(jù)集轉(zhuǎn)換成規(guī)整的查詢表，但泛化能力較弱,。這會導致學習得到的流形不佳,，樣本間呈現(xiàn)“裂縫”或“懸崖”狀的空間。現(xiàn)代模型通過各種方式解決這個問題,。

有些,，例如著名的變分自編碼模型（VAE），為損失函數(shù)增加一個散度歸一化項,，將隱空間約束至一些理論支持,。更詳細地說，這類模型大部分懲罰與某種高斯分布或均勻分布的先驗分布不匹配的隱空間,，并通過選取散度指標來估算誤差,。

在很多情況下，選取合適的模型取決于散度測量,、重構(gòu)誤差函數(shù)和施加先驗的設計選型,。例如，β-VAE和Wasserstein自動編碼模型分別利用KL散度（又稱相對熵,，Kullback-Leibler divergence）和對抗損失,。通常需要在輸出質(zhì)量和多樣性之間進行權(quán)衡，根據(jù)你學習的嵌入用例,，你會更偏愛某一種設計選型,。

β-VAE損失函數(shù)、重構(gòu)和權(quán)重散度項

當潮鞋的審美編碼成我們視覺潮鞋語言,，我們更希望得到一個健壯和多樣化的隱因子空間,，足以覆蓋我們大部分的產(chǎn)品目錄。換言之,，我們希望模型可以最大范圍地表示潮鞋,，而非犧牲代價去表示JS Wings那樣獨特的款式。

“看起來像”案例

我們訓練一個VAE去學習主要產(chǎn)品照片的隱空間,。保持隱向量固定,，我們直觀看到模型如何一步步訓練，構(gòu)建復雜和抽象的層,。

隱因子探索,，每行使用相同的錨定潮鞋，每列是重構(gòu)的隱向量的修正值,，先驗是標準正太分布

此外,，我們可以通過將隱含向量壓縮成2D或3D圖來查看整個產(chǎn)品目錄的大趨勢。我們使用諸如t-SNE這類工具來映射隱空間,，可視化點抽樣和大規(guī)模標注,。

潮鞋圖像隱空間算法

小貼士

嵌入是創(chuàng)建可重用值的絕佳工具，其固有的屬性與人類理解物體的方式相似,。它們可以免去持續(xù)維護目錄和依據(jù)變化改變歸類的工作,，并且嵌入的隱因子能被廣泛應用。利用嵌入,，你可以找到集群來執(zhí)行批量標注,、計算推薦和搜索的最相鄰近,、缺失數(shù)據(jù)插補以及重用網(wǎng)絡以熱啟動其他機器學習問題。

相關(guān)報道：

https://medium.com/engineeringatgoat/how-goat-taught-a-machine-to-love-sneakers-e4a97cda71b1

溫馨提示：在網(wǎng)上隨便找的莆田鞋微商很可能是騙子而且不是一手廠家貨源,，比如微信支付不發(fā)貨,，貨不對版不支持退換等常有發(fā)生，現(xiàn)在尋找一家可靠莆田鞋廠家貨源是一件非常困難的事情,，為了解決這個問題我們建立一個叫”貨源通“的平臺,，專門收錄一些可靠真實的廠家聯(lián)系方式廠家微信號免費分享給大家參考，這些廠家是經(jīng)過我們站審核和繳納一定廣告費用,，而且有買家購買過我們才推薦分享出來,，還有每周會給每一位商家做評價，如果發(fā)現(xiàn)不誠信問題我們會第一時間公布給大家并且馬上下架該商家的信息,。貨源通已經(jīng)運營幾年從沒有發(fā)生過商家騙子事件,，大部分商家已經(jīng)和貨源通合作幾年之久，所以從貨源通推薦的商家是可靠的,。

如果您需要找質(zhì)量好且價格低的莆田鞋廠家貨源建議您加本站客服微信號：1064879863 （長按復制） 她會給你推薦可靠并且有實力的廠家微信號,。（加微信后請說要什么產(chǎn)品）

目前我們收集有100多家可靠廠家微信號，覆蓋各種奢侈品如:大牌包包,、大牌奢侈品鞋子,、大牌奢侈男女服裝|潮牌|潮服、大牌手表,、莆田鞋|潮鞋|運動鞋|休閑鞋|籃球鞋|跑步鞋,、奢侈品飾品等等！均是廠家直銷哦,！

溫馨提示：如果上面內(nèi)容出現(xiàn)其他商家的聯(lián)系方式請不要加更不要交易,，因為內(nèi)容是網(wǎng)絡收集整理的，只有這個微信號：1064879863 和下面二維碼才是我們的哦（微信名叫貨源通）,，請注意防騙,！

下面是其中一家莆田鞋廠家的倉庫圖片：

下面是其中一家廠家生產(chǎn)細節(jié)圖片：

下面是其中一家廠家網(wǎng)紅實拍上腳圖片

如果您需要找質(zhì)量好且價格低的莆田鞋廠家貨源建議您加本站客服微信號：1064879863 （長按復制） 她會給你推薦可靠并且有實力的廠家微信號。（加微信后請說要什么產(chǎn)品）