AnimalGO基于人工智能的GoMoney Gomoney(GOM) 奖励型SNS

1. 用户访问领域

用户可以随时随地通过使用移动应用程序或PC浏览器来浏览Animal Go。响应式网络允许不仅在Android和iOS设备上进行使用，而且可以在平板电脑上无间断地使用。用户可以用户可以上传自己的宠物照片等方式发布帖子。而且上传的图片资源均优化为几十KBYTE范围以内，以节省用户的网络资源。

2. APP领域

用户可以享受Animal Go（AnimalGo ）带来的多种多样的服务。这些服务包括上传图片即可进行粪便分析、血统分析等功能。Animal Go将继续更新此类高科技、创意、趣味合一的各种服务和功能。

2.1 社交功能

AnimalGo主功能，用户可以手机APO或PC浏览器上传图片、发布文章。该内容通过获赞的方式得到对用户的认可。得到的赞越多，就会被系统判断为高品质内容，由此可以获得对应的奖励。在这一过程中，发布内容的用户和参与点赞评论的用户均可以获得相应的奖励。用户发布的内容将被数据库保存并提取保存到社区。这些帖子是无法删除或修改，即使被其他人盗用或转载也可以证明最初发布者的用户。如果用户的发布的帖子是复制、转载过来的，那么很快就被其他用户的举报，然后进行调查并让信息盗用者承担对应的责任。

2.2 宠物血统分析功能

用户们在客户端记录的宠物形象以后，可以活用深度技术，对血统进行分析。不仅可以对宠物狗，猫等血统进行辨识，而且预测出混血的比率。如果深度学习技术数据越高，矫正的准确度就会越高。血统分析会引导用户自然地上传宠物的形象。其他和宠物有关的APP，用户一开始加入的时候需要用手动的方式输入动物的种类。但是我们AnimalGo(AnimalGo）的网络是通过娱乐要素，自发的形式进行上传的。这样积累照片形象是为了再次重新深度学习，学习数据提高的过程也是提高分析准确度的良性过程。

2.3 宠物健康分析

通过宠物的排便，可以分析出宠物的健康状态。我们通过宠物排出粪便的软硬，浓稠，颜色的深浅，来判断并提供健康状态的信息。通过这样的信息，宠物狗主人或者宠物猫的主人可以给宠物更换饲料，或者找宠物医院的专家采取一些预防性的措施。通过宠物的血统分析，我们可以一次性的完成日常检测的需要。宠物健康分析是在日常生活中，经常使用的一项服务。这款APP会根据健康分析的结果，来推荐合适的饲料或者介绍给评价很好的宠物医院。

2.4 顾客行动分析

和宠物在一起'指的是共享在一起的生活模式。用户可以和宠物们一起散步，一起去访问咖啡厅。通过地域交流组成或举办聚会，或者参加奉献活动。可以给宠物准备喜欢的饲料，为了不让宠物感到寂寞，我们可以选择宠物玩具陪伴成长。外出的时候，我们可以开电视、照明和自动提供食物装置，以CCTV的方式来确认宠物在娱乐的过程中，是不是玩的很愉快。带宠物出去游玩的时候，车辆移动的时候，可以抱着宠物来乘车（29.7%），不包括宠物猫的笼子，放在座位上（62.2%）将座位压倒的情况(金融控股经营研究所 2017年 宠物报告书)。通过分析顾客行动模式，我们就可以捕捉到商业机遇。在交流的时候，有关活动和位置的信息可以用基础方式记录，并对各种购物的信息进行分析。用户将个人信息隐藏后，仍然愿意向企业提供的话，就会成为非常珍贵的商业信息。

2.5 自发性针对性的问卷调查

在企业发展的过程中，我们又想到了一些新商品的概念，根据这些想法，我们可以进行基础商品制作。在进行基础制作的时候，经历了非常艰难的部分。我们需要精选合适的顾客，将他们找出来。即使花费了很多费用，得到的结果却不尽人意。这样的没有结果调查就会变成毫无意义的市场问卷调查。大部分数据资源都是模糊的不可靠的，这样的话，就必须要从做决策的管理层的立场上来看，所以决定将难以处理的情况暂时搁置。当我们越来越靠近具体信息的时候，时常的被顾客被拉进黑名单。企业需要知道顾客的性别，年龄，名字，邮箱等一些个人信息，但是获得这些信息确实很不容易。如果用手动的方式进行收集的话，一些顾客不会提供真实的数据，或者提供导致提供错误的数据。自发性的市场调查，像这样我们的企业，可以克服市场调查的界限。比如说，马尔济斯犬 20代的女性狗的主人将它作为对象，开发了一种新型的喷雾，成立了企业，同时形成了一种高效的解决问题的有效服务。企业选定有意愿的顾客群进行市场问卷调查，回应可行与否，来确定是否可以进行咨询。同意的顾客以自发的方式进行问卷调查，我们会给支付您相应的补偿。商品开发以后。为了进行测试，可以先进性测验，为商品后期可以留下宝贵的支持者。

2.6 企业型 宠物 管理 数据 提供

我们对不同的顾客进行分析，然后以API的形式进行提供，根据提供的API的信息，企业会进行适当地处理或添加。企业会以代币牌的方式进行支付费用，提供信息的用户，会得到相应的补偿，用户和企业都会得到满意的结果。

2.7 商品试验以及活动的提供

专业的大企业品牌店，会展出2000种以上的宠物用品系列， 每天都有数十种新产品需要客户测试。在AnimalGo（AnimalGo）,我们选择合适的客户群进行测试，并且给参加活动的用户给予奖励。企业的宣传或者是推销，活动广告，招揽顾客，商品发货，后期注册，我们将提供一站式的服务。

2.8 地方社区支持

养育伴侣宠物的家庭，将伴侣宠物视为家庭成员，他们之间的关系非常亲密。比如说他们愿意免费的捐赠宠物饲料给流浪宠物，愿意积极参加活动的人数超过50%。 他们喜欢和伴侣宠物一起散步，或者一起待在宠物咖啡厅或者公园里面。我们可以通过APP和人们进行交流，得到想要的一些信息。 根据这些信息，可以组织志愿者活动，将具有相似兴趣的人们联系起来。进行志愿活动的同时可以更好的交流与沟通“With pet with love”（带着爱的宠物），这就是我们最重要的初衷。 任何人都可以创建“ooo狗主人聚会”或“ooo地方散步朋友” AnimalGo(AnimalGo)是给予不同社区进行聚会和交流合作的一个平台。

运营AnimalGo服务

1. 社区运营

AnimalGo（AnimalGo）社区，我们参考了国内外的补偿制度，但是根据我们自身的情况，建立并运营了自主研发的补偿制度。国外的薪酬界已经提出了一个成功的模式， 但用户在使用过程中产生了各种不便。其中最为典型代表的是加入会员非常困难，必须等待数周之后才能获得注册的批准。 如果您登录的ID为区块链的地址，退出的时候没有保存的话，就会造成一定的数据损失。这样非常复杂地运营方式，会产生无效的ID。不能有效的防止滥用，这样做对用户是否有帮助我们无从得知，但是肯定会造成一些不便之处。 此外，在交易所进行硬币交易完成的时候，我们要经过长时间的等待，这也是人们不满意的一个原因。AnimalGo的SNS登录，通过简单的数据收集，就可以加入会员完成登录申请，给予用户最简洁的体验。

基本上，用户每天登录APP应用程序，都可以获得相应的积分。 Instagram，Facebook，推特等登录前一天获得的“好”或者大量的点赞，都会进行计数并积累积分。 这样做主要的目的是引导登录，激活登录。用户在任何时间，任何地方利用APP，都可以随时制作帖子和上传照片。关于帖子，社区参加者可以好，点赞进行投票，进行评价等方式，对内容质量进行评估。在这一过程中， 创建内容的原作和参与的投票的用户都为沟通交流发展做出了贡献，事后我们会根据规定给予一定的补偿。但是，如果有类似情况的发生，比如说内容盗用他人的著作，扰乱社会安宁，上传伤风败俗的内容，可以点击举报按钮，举报者也可以得到相应的补偿。用户可以组织聚会，社团，也可以举办地方性的聚会。这样，在社区里经常举行丰富活动也会得到相应的积分。

积分不断地积累，会得到一定的优势。一天发布内容数量的增减，制作的个数也会增加，根据排列的顺序，我们会给予追加红包，。对于帖子的投票也会增加。积分是行走货币(GoMoney)代币牌进行购买后可以进行转化。

2. 企业提供的问卷调差，商品测试，各种活动参加

用户以自发的形式参与企业的主办的市场调查活动或者其他活动，可以获得企业提供的补偿。营销调查，商品计划调查，商品beta 试验，制作后期的完成 活动以及志愿活动聚会等，都可以参加。

3. 营销资料提供

企业需要进行营销，为了数据收集活动，提供数据的用户或者企业可以获得AnimalGo提供的会员积分。提供的数据不是个人的敏感信息，用户可以放心。我们会提供一些营销性信息，以及有限的宠物的生物信息，健身信息，购物目录等等。

4. 积分的使用

用户们通过活动获得的积分(GOP）在生态系统里进行使用。AnimalGo生态系统是跟宠物的平生密切相关的，包括宠物的诞生和出售，衣食住行，生活和福利以及后续的服务。具体的来说，这一生态系统包括了宠物的出售、健康，宠物医院，宠物保姆，宠物食品，健康用品，佩戴用品，葬礼服务，宠物保险等等。所以，关于白皮书的AnimalGo生态系统可以在使用中进行了解。通过活动所积累的积分是指AnimalGo中的积分，它可以和现金一起使用。GOP的适用范围是周，月，3个月，6个月为单位进行查询。积分可以在朋友和朋友之间进行互相的传送。

5. 积分和代币牌间 换钱

换钱是根据当日的汇率用积分（GOP）或者代币牌 行走货币(GOM)进行转换。代币牌是硬币交易所里进行交易，逐渐推进上市的一种货币。

技术编码

AnimalGo软件（AnimalGo）为了宠物的血统分析，排便分析，我们对keras, Tensorflow框架进行活用。用户将下载形象进行储存，提取解码，以 ERC-20基础的区块链网络可以进行永久性的保存。因此，用户上传的形象进行清楚地识别。根据服务器中已经积累的形象，再次进行深度学习的方式，提高活用的准确度。

我们利用人工智能深度学习以后进行服务的对象有下面4类

1.宠物识别 2. 排便分析 3. 牙齿分析 4. 阴性分析
1.宠物的认识 2.排便的分析 3.牙齿的分析是使用开放源代码图书馆Keras. 在那些资料中，我们是以基本的VGG16神经网来使用制定后进行最小化的作业。宠物认识是分为2个过程，即1次分类和2次分类。

19年6月基本的狗有174种，猫40种以上，正在进行区分。

4.声音分析是利用python的 scipy 图书馆进行语音wav文件分析

Scipy是什么？信号处理合并以及最佳化，还有统计和在相同的领域有效率数值进行运算法则然后进行统计。

声音分析是 scipy 图书馆里面 fftpack的模数使用，以及频率的分析的使用，我们会将使用的模数，简略地向您说明。

在python里面普里的变化是因为模数ftpack的活用的原因，普里的变化((Fourier transform, FT)是关于时间的函数（或者是信号）构成的频率成分进行分析的作业。

声音分析是现在的压力（stress）喜爱（good）警戒（alert）害怕(scared) 要求(demand)的频率进行分析，在5种类型中我们会可以得到结果，可以具体的体现。

宠物健身的方式可以进行分类：排便分析，声音分析，牙齿分析相对性的深度学习，需要的这些学习资源数据，寻找起来都非常困难。比起宠物认识技术来说，相对地来说，矫正一直处于稍微落后的状态。如果继续进行的话，学习数据资料和编码就会得到改善。

深度学习的机器学习（关于它的结果）到底需要多少的学习资料数据矫正呢？还有学习数据的量(大数据)根据丰富多余的资料多到叹为观止，以方便我们可以预测出准确的数据。换句话来说，学习数据资料相互之间偶尔也会相互冲突。

对于下列宠物的认识，关于宠物认识的形象学习，我们会做一个模型。

2个文件(load_deepton.py和rain_animalgo.py)使用以后，会做出一个模型。

①load_deepton.py

(编码构成像第一次，第二次分类一样，在此之中，我们在第一次分类的时候，只精选一部分的代码)

from sklearn.cross_validation import train_test_split
import pymysql.cursors
import numpy as np
from PIL import Image
import os, glob
import os.path
def image_1cha():
animal_dir="./1Cha"
categories = ["dog","cat","human", "fish" ]
nb_classes=len(categories)
mage_w=224
image_h=224
x=[]
t=[]
for i,idx in enumerate(categories):
label=[0 for k in range(nb_classes)]
label[i]=1
image_dir=animal_dir+"/"+idx
for dirname,subdirs,file in os.walk(image_dir):
files=glob.glob(image_dir+"/*.jpg")
for j,f in enumerate(files):
try:
img=Image.open(f)
img=img.convert("RGB")
img=img.resize((image_w, image_h))
data=np.asarray(img)
x.append(data)
t.append(label)
img.close()
print("good")
print(j)
except:
print("can not")
x=np.array(x)
t=np.array(t)
x_train, x_test, t_train, t_test = train_test_split(x,t,test_size=0.2, random_state=33)
return x_train, x_test, t_train, t_test

②train_aniamalgo.py (学习神经网络模型的代码)

import numpy as np
import tensorflow as tf
import load_miracle as lm
from keras.layers import *
import matplotlib.pyplot as plt
from keras.optimizers import SGD
from keras.models import Sequential
from keras.callbacks import ModelCheckpoint, EarlyStopping
categories = ["dog","cat","human", "fish" ]
nb_classes=len(categories)
with tf.device('/gpu:0'):
x_train, x_test, t_train, t_test=lm.image_1cha()
x_train = x_train.astype("float32")
x_test = x_test.astype("float32")
x_train /= 255
x_test /= 255
print(x_train.shape)
print(x_test.shape)

#1
model=Sequential()
model.add(ZeroPadding2D((1,1),input_shape=x_train.shape[1:]))
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPooling2D((2,2),strides=(2,2)))
model.add(ZeroPadding2D((1,1)))
#2
model.add(Conv2D(128,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(128,(3,3),activation='relu'))
model.add(MaxPooling2D((2,2),strides=(2,2)))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(256,(3,3),activation='relu'))
#3
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(256,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(256,(3,3),activation='relu'))
model.add(MaxPooling2D((2,2),strides=(2,2)))
model.add(ZeroPadding2D((1,1)))
#4
model.add(Conv2D(512,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(512,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(512,(3,3),activation='relu'))
model.add(MaxPooling2D((2,2),strides=(2,2)))
#5
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(512,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(512,(3,3),activation='relu'))
model.add(ZeroPadding2D((1,1)))
model.add(Conv2D(512,(3,3),activation='relu'))
model.add(MaxPooling2D((2,2),strides=(2,2)))

model.add(Flatten())
model.add(Dense(4096,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))
model.summary()
sgd = SGD(lr=0.001, decay = 1e-7, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',optimizer=sgd,
metrics=['accuracy'])
early_stopping = EarlyStopping(monitor="val_loss", min_delta=0,
patience=10, verbose=0, mode="auto")
history = model.fit(x_train, t_train, batch_size=32, epochs=100, verbose=1,
validation_split=0.2, callbacks=[early_stopping])
score=model.evaluate(x_test,t_test, verbose=1)
print('loss=',score[0])
print('accuracy=',score[1])
animalgo10_params = "./model_1Cha.h5py" #
model.save_weights(animalgo10_params) #
plt.plot(history.history['loss'])
plt.plot(history.history['acc'])
plt.title('1Cha')
plt.ylabel('Acc')
plt.xlabel('Epochs')
plt.legend(['loss', 'acc'], loc='upper left')
plt.show()

关于更多AnimalGo信息：http://animalgo.io/

风险提示：区块链投资具有极大的风险，项目披露可能不完整或有欺骗。请在尝试投资前确定自己承受以上风险的能力。区块网只做项目介绍，项目真假和价值并未做任何审核。

—-

编译者/作者：不详

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。