设计师要开工，总是离不开配色方案，也就是色板。
不过，做色板可不是个简单的活，色板生成器Colormind的作者Jack Qiao（名字来自Product Hunt，我们下面叫他小乔吧）解释了这项工作难在何处：一系列颜色搭配得好了，大部分人都知道好看，但想解释“为什么”就不那么容易了；要创造出既好看、又符合品牌指导等等预设条件的色板，更是难上加难。
作为一个提起色板就头疼的设计师，小乔配色一靠猜二靠试，三靠从在线颜色生成器和好看的照片上取色。
虽有三大法宝在手，小乔的设计师生涯依然艰难。好在数学功底不错的小乔悟出了一个道理：要做好设计，先过码农关，我高贵的灵感怎能浪费在配色这种事上！
于是，小乔选了算法，开始尝试用机器学习自动生成色板。
保守的LSTM
一开始，小乔把生成色板转化成了一个向量序列预测问题：
已知一个由四种颜色组成的序列，下一种颜色是什么？
他选择用长短时记忆网络（LSTM）来解决这个问题，得到的结果是这样的：
有些配色方案看起来还不错，但是LSTM似乎不喜欢明亮的颜色。这个模型害怕失败，总是倾向于选择灰、棕等中性颜色。
小乔试着去优化LSTM，到2016年底终于放弃了。因为，他移情别恋了。
还是GAN好
生成对抗网络（GAN）是Ian Goodfellow于2014年提出的模型，近两年来一直是学术界研究热点。它的主要功能，是用来造假生成以假乱真的图片，量子位曾经写过一个玩转GAN的教程。
小乔觉得，生成色板这个工作交给GAN更合适，确切地说是pix2pix，也就是那篇题为Image-to-Image Translation with Conditional Adversarial Nets的论文，和它的开源代码。
pix2pix有很多衍生品，前些天火遍Twitter的画猫应用也是用它改的。
小乔下载了pix2pix并做了一些改动，用Adobe Color的数据进行训练，让它在残缺的色板里填充颜色。GAN选择的颜色经常和人类不太一样，但还是很好看的。
训练模型时，小乔发现L1参数对视觉效果影响最大，它影响了模型的空间感知。L1数值越高，输出的随机性越低，色彩也更单调。
还有一个很关键的问题：会不会过拟合？既然是用Adobe Color训练，如果它过拟合到了直接返回输入数据的程度，我直接用Adobe Color就好了嘛……按理说一个GAN倒是不会。
小乔测试的结果是，确实和没有过拟合。
从照片提取色板
玩转了根据一两个颜色补全色板，小乔还没折腾狗，他开始研究如何从图片提取色板。
其实，网上已经有不少提取色板的工具，比如说Pictaculous就是这样一个在线工具。这类工具通常使用颜色量化算法MMCQ。
提取色板遇到的最大问题来自照片本身：大部分照片，配色其实都不怎么好看。而色板提取常用的MMCQ，往往力求真反映照片的颜色，结果就是生成出的色板也跟着不好看。
不仅不好看，还排列得很随机，跟GAN填充出的色板一点也不一样。
比如说这张照片生成出的色板：
小乔觉得，用GAN应该能让色板变美一点，但他尝试了一种更简单粗暴的方法，并给这种方法起名叫generative-MMCQ。
generative-MMCQ，就是先给MMCQ提取的色板生成几个变体，然后将每个色板上的颜色调换一下位置，再用分类器对调换位置后的色板进行打分，然后选出最好的一个。
最后的分类器，掌握着色板的生杀大权。小乔建立了一个独立的分类器并用手选的颜色对它进行训练。
Demo
小乔折腾的结果，就是我们一开始提到的Colormind。
在量子位（QbitAI）公众号会话界面回复“色板”，获取本文提到的各种资源链接，包括Colormind、Pictaculous、颜色量化算法、pix2pix等。
可惜没找到Colormind开源算法，希望有大神可以用pix2pix改一个出来~
