灵魂画手已上线 请注意查收您的谷歌小工具“Quick draw”
Quickdraw是什么？
它是由谷歌开发的在线小工具,会给出具体的名词，玩家根据要求将其画出,在作画过程中人工智能神经网络会一直判别画面内容，直至玩家完成挑战或游戏时间结束。 每个图像的挑战时间为20秒，它会给出各种名词，比如：绵羊、饼干等，难度不一。
这个小工具是谷歌人工智能项目的一部分,被称为“人工智能实验”。玩家画的画都会成为人工智能学习的资源，以增加未来它判断的准确程度。
灵魂画手上线！
Quick Draw数据集是345种类别中的5000万张图纸的集合，由游戏玩家Quick，Draw！提供。绘图被捕获为带时间戳的向量，标记有元数据，包括要求玩家绘制的内容以及玩家所在的国家/地区。您可以在quickdraw.withgoogle.com/data上浏览已识别的图纸。
原始主持数据集
原始数据以ndjson文件的形式分类，按类别分隔，格式如下：
每行包含一个图纸。以下是单个绘图的示例：
绘图数组的格式如下：
其中x和y是像素坐标，t是自第一个点以来的毫秒数。```和y是实数值，而t是整数。由于用于显示和输入的不同设备，原始图纸可以具有极大不同的边界框和点数。
简化的图形文件(.ndjson)
我们简化了向量，删除了时序信息，并将数据定位并缩放到256x256区域。数据以ndjson格式导出，其格式与原始格式相同。简化过程是：
将图形与左上角对齐，使其最小值为0。
均匀缩放图形，最大值为255。
以1像素间距重新采样所有笔划。
使用Ramer-Douglas-Peucker算法以epsilon值2.0简化所有笔划。
[examples / nodejs / simplified-parser.js](examples / nodejs / simplified-parser.js)中有一个示例，展示了如何在NodeJS中读取ndjson文件。此外，[examples / nodejs / ndjson.md](examples / nodejs / ndjson.md)文档详细介绍了一组命令行工具，可以帮助探索这些相当大的文件的子集。
二进制文件(.bin)
简化的图纸和元数据也以自定义二进制格式提供，以实现高效压缩和加载。
[examples / binary_file_parser.py](examples / binary_file_parser.py)中有一个示例，展示了如何在Python中加载二进制文件。
[examples / nodejs / binary-parser.js](examples / nodejs / binary-parser.js)中还有一个示例，展示了如何读取NodeJS中的二进制文件。
Numpy位图(.npy)
所有简化的图纸都以numpy.pypy格式渲染成28x28灰度位图。可以使用np.load()加载这些文件。这些图像是从简化数据生成的，但是与图形边界框的中心对齐，而不是左上角。
获取数据
该数据集在Google Cloud Storage上以ndjson文件的形式分类。请参阅Cloud Console中的文件列表，或阅读有关[访问公共数据集]的更多信息(https://cloud.google.com/storage) / docs / access-public-data)使用其他方法。
按类别分隔的完整数据集
原始文件(.ndjson)
简化的图纸文件(.ndjson)
二进制文件(.bin)
Numpy位图文件(.npy)
Sketch-RNN QuickDraw数据集
该数据还用于训练Sketch-RNN模型。这个模型的开源TensorFlow实现可以在Magenta Project中找到，(链接到GitHub repo /树/主/品红/模型/ sketch_rnn))。您还可以在此Google研究博客文章中阅读有关此模型的更多信息。数据以适合输入到递归神经网络的格式存储在压缩的.npz文件中。
在此数据集中，从每个类别中随机选择75K样本(70K训练，2.5K验证，2.5K测试)使用[RDP]处理(https://en.wikipedia.org/wiki/Ramer%E2%80% 93Douglas％E2％80％93Peucker_algorithm)线条简化，epsilon参数为2.0。每个类别都将存储在自己的.npz文件中，例如cat.npz。
如果您想使用超过70K的培训示例，我们还提供了每个类别的完整数据。它们与.full.npz扩展一起存储。
文章技术分析部分转载自：https://www.jianshu.com/p/27a52297154f
学术头条已建立微信交流群，想进群的同学请加学术君微信：AMiner308，记得备注：名字+单位/学校噢！