“Run it several billion times, create an Earth-sized social network, then give it content with a meme generation system like Dank Learning Dank Learning”
按年被提到
20182018 · 1 次2026
Dank Learning: Generating Memes Using Deep Neural Networks
Dank Learning:用深度神经网络生成表情包
Abel L Peirson, E Meltem Tolunay · 2018
用 Inception-v3 加注意力 LSTM,给任意图片生成幽默的表情包文字
被提及 · 3 人首次 2018-06-13 · 最近 2024-12-14
3不同的人
3活跃月份
3讨论串
36被引(OpenAlex)
论文提出一个表情包生成系统:给定任意图片就能生成幽默且相关的配文,还可以额外以用户指定的模板标签为条件来控制内容。系统用预训练的 Inception-v3 得到图像嵌入,再交给基于注意力的深层 LSTM 生成配文(受 Show and Tell 启发),并用改进的束搜索鼓励多样性。作者用困惑度和人工评估衡量质量,结果显示生成的表情包总体上难以与真实的区分。
HN 为什么提它
HN 上有人把它当作表情包生成系统的例子,在设想大规模社交网络加自动生成内容时顺带引用。
方法难度 2 / 5约 20 分钟经得起时间
读之前最好知道
1卷积神经网络与图像嵌入
2LSTM 与图像描述(image captioning)
3束搜索(beam search)
4困惑度(perplexity)评测
学习路径
读这篇之前,按顺序读书架上的 4 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出目标论文本质上是一个 Show and Tell 式图像描述模型,这条路径先补 LSTM 编码解码的基础,再看带注意力的图像描述。
- 1
目标论文使用预训练的 Inception 网络提取图像嵌入,这里是 Inception 结构的起点。
读Inception 模块的设计动机,只需知道它是图像编码器,不必深究实验。
- 2
- 3
目标论文明确受 Show and Tell 启发,图像嵌入送入 LSTM 解码器生成描述。
读CNN 编码图像、LSTM 逐词生成句子的整体结构,以及训练和束搜索的做法。
- 4
目标论文在 LSTM 上加了注意力,思路来自这里的视觉注意力。
读软注意力的计算方式,以及逐词可视化关注区域的做法。
- 5Dank Learning: Generating Memes Using Deep Neural Networks
读完图像描述基础后,再看如何把它改造成带标签条件、更有多样性的表情包生成器。
读条件标签的加入方式、改良束搜索鼓励多样性的做法,以及对表情包质量的评估方式。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及引用pwython · 2019-02
调侃把它放进地球大小的社交网络里批量生成表情包
被提交为 story · 2 次
- Dank Learning: Generating Memes Using Deep Neural Networks ↗nevatiaritika · 2018-06-13 · 172 分
- Dank Learning: Generating Memes Using Deep Neural Networks (2018) ↗benatkin · 2024-12-14 · 1 分