回想一下，你上一次被启发去尝试新造型是什么时候——也许是在 Instagram 上看到的可爱扎染上衣，也许是最新一期《Vogue》杂志中某位名人穿着高级定制礼服的形象。后来，当你试图用最好的词语来描述这个造型时，你发现自己并非诗人。你难以找到合适的词汇来解释领口的形状或波点图案的间距；而当你尝试进行基于文本的搜索时，结果却与你想要的潮流相去甚远。
在 re: MARS 2019 大会上，亚马逊今天宣布了一项能够解决这一问题的功能。
StyleSnap 正式亮相
StyleSnap 是一项由人工智能驱动的功能，可帮助你购物——你只需拍摄一张照片或截取屏幕截图，保存你喜欢的造型即可。在 re: MARS 主题演讲中介绍该功能时，全球消费者业务首席执行官 Jeff Wilke 表示：“客户体验的简洁性掩盖了其背后技术的复杂性。”
要开始使用，你只需点击亚马逊应用右上角的相机图标，然后选择“StyleSnap”选项；接着上传你喜欢的一款时尚造型的照片或截图即可。StyleSnap 会在亚马逊上为你推荐与照片中造型相似的商品。在提供推荐时，StyleSnap 会考虑多种因素，例如品牌、价格区间和客户评价。
幕后创新
虽然 StyleSnap 为客户提供了无缝的体验，但开发这一功能绝非易事。生活方式类图片和网红帖子充满不确定性，姿势也因地而异——从网红在室内咖啡馆享用羊角面包，到名人在阳光明媚的海滩伞下品尝莫吉托鸡尾酒。
StyleSnap 利用计算机视觉和深度学习技术，无论场景如何，都能识别照片中的服装单品。深度学习技术还能帮助将图像中的服装单品分类为诸如“修身喇叭连衣裙”或“法兰绒衬衫”等类别。
深度学习赋能时尚发现
深度学习指的是一类基于人工神经网络的机器学习技术，其灵感来源于人脑的工作方式。神经网络由数百万个相互连接的人工神经元组成，可以通过输入一系列图像对其进行“训练”，从而检测服装搭配的图片。例如，如果我们向网络输入数千张长裙和褶皱裙的图片，它最终就能区分这两种风格。然而，如果给它看一条苏格兰短裙（kilt），它可能会感到困惑并预测出错误的类别，直到提供足够多的示例以纠正其判断为止。
为了使神经网络能够识别更多的类别，我们可以在彼此之上堆叠更多的层。前几层通常学习边缘和颜色等概念，而中间层则识别诸如“花卉”或“牛仔布”等模式。经过所有层的处理后，算法可以准确地识别图像中的合身度和服装风格等概念。
然而，我们必须更进一步——前馈神经网络在添加一定数量的层后会停滞并最终退化。这就是所谓的梯度消失问题，即来自训练数据的信号在各层之间被过度分散，以至于完全丢失。
亚马逊使用残差网络来解决这一问题，因为残差网络利用捷径使训练信号能够跳过网络中的某些层。这有助于网络先学习“边缘”和“模式”等基础特征，然后再专注于复杂概念。亚马逊研究人员开发的一种独特方法使网络能够在不断学习新概念的同时保留过去学到的知识——这对于让 StyleSnap 有效处理大量数据至关重要。
网红参与度
StyleSnap 允许客户通过截取他们喜欢的造型截图来发现灵感穿搭，同时也帮助时尚博主扩大其社群。此外，参与该平台的时尚博主亚马逊影响者计划也有资格获得因他们促成购买而产生的佣金。
与在亚马逊在线商店、Amazon Go 或全食超市购物类似，StyleSnap 是亚马逊利用人工智能切实改善客户生活的最新例证。
“我们极具创新精神，始终以客户为中心，并将继续为客户打造全新体验，帮助他们发现心仪且喜爱的产品。我们对 StyleSnap 充满期待，它使客户能够在亚马逊上以视觉化方式选购时尚商品。”杰夫·威尔克表示。
**StyleSnap 目前仅适用于连衣裙、上衣和下装。