小学生联欢会可以表演诗朗诵、唱歌、跳舞、小品、你画我猜、盲眼摸象等节目。
你画我猜游戏相关介绍：
“我画你猜”参与人数为最低2人，最高10人。
符合最低人数标准时，游戏便可开始；达到最高标准时，其他玩家无法参与该桌“我画你猜”游戏。
当游戏房间人数大于2人且均点击“开始游戏”图标后，“我画你猜”正式开始。
系统将随机（按顺序）挑选一位玩家作为当轮“画家”，由其根据画板上方提示的词汇题目在画板上画出相应事物。
绘制中，可通过调色板、橡皮等工具随意修改。
作画时间为90秒，在作画过程中，其他参与者可随时在画板底部的输入框内输入自己理解的“画家”所描绘内容，并通过回车确定答案。
若答案与系统所拟题目相同则游戏结束，答错可重复作答。
在越短时间内答出正确答案，作画者和答对者获得的分数奖励越高。
若90秒内，未有人给出正确答案，则由系统自动结束并随后揭晓答案。
如果始终没有人答出正确答案，那么“画家”将会被扣分。
此时，除“画家”外的其余参与者可向“画家”赠送自身背包内的鲜花，也可砸便便。
一轮游戏全部结束后，系统将随机挑选下一位玩家出任“画家”，开始新一轮游戏。
以上资料参考百度百科——你画我猜
视频介绍
在了解QuickDraw之前，我们得先看一下它的前世今生，它实际上是谷歌在16年11月由 Google Brain （Google 专门研究人工智能的部门）上线的第一个基于云服务并于绘画相关的 AI，这个 AI 被名字是 “Quick, Draw!”，就算是完全不会画画的小白一枚随意涂鸦，它也能辨出你画的是什么东西，不过要是实在太难以辨别，就算是聪明的AI，也可能会给出几个可供选择的答案。
在2017年4月Google又推出了AutoDraw，这是一个能把你的随手涂鸦变成绘画的人工智能技术工具。
谷歌曾发布论文和博客介绍了其背后的技术，实际上，AutoDraw 所用的技术基于谷歌先前的涂鸦实验「Quick, Draw!」。
谷歌还发布了该项目背后的数据集，其中包含 5000 万张矢量画。
接下来就让小胡桃和
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，我们可以在withgoogle上浏览已识别的图纸。
Google还发布了用于训练用户自己的绘图分类器的教程和模型。
不过Google也特别提醒了一点，虽然这些图纸集合是单独审核的，但它可能仍包含不适当的内容。
下面是原始的审核过的数据集
原始数据在 ndjson 文件中，并按类别进行了分割，按照如下格式：
经过小胡桃的简单介绍，相信聪明的大家已经对Quick Draw有了基本的了解了，那么接下来就让我们的主角——Quick Draw Dataset Classification登场了。
那么，什么是 Quick Draw Dataset Classification呢？
Quick Draw 是 Google 开发的 AI 版你画我猜，它可以猜出你在纸上绘制的图案是什么。
（当然前提是在数据集内）目前 Quick Draw 除了 Web 在线体验版，还衍生出了微信小程序版。
为什么 Quick Draw 会越来越火？因为它并不是一个静止的 “程序”。
经常玩 Quick Draw 的玩家会发现，它的识别不是一定准确的，但随着玩的人越多，玩的次数越多，它识别的准确率越好。
这其中的奥秘就是机器学习。
小胡桃自己用鼠标涂鸦的，可是Quick Draw都没辨别出来。
。
。
不过Google有给出实例让小胡桃进行学习哦！
试着自己做一个Quick Draw
在 TensorFlow 机器学习快速入门课程中，我们将参考这个你画我猜微信小程序，制作一个简易版的本地 Quick Draw 小游戏。
我们需要经过三个阶段，分别是数据集探索、模型构建、模型生成。
我们将基于 Google 开源的 Quick Draw Dataset，使用卷积神经网络训练一个图像分类模型，完成 Quick Draw 的核心识别功能。
我们可以构思出如下开发路径：
复制本文链接攻略资讯文章为拓城游所有，未经允许不得转载。
