摘要：在這里，代表照片，也就是形狀為的矩陣，是圖像被標(biāo)記的分?jǐn)?shù)。我首先使用這張照片我的分?jǐn)?shù)是，這意味著我的顏值比數(shù)據(jù)集中的人高。我拍了很多照片，最終我得到了分，這意味著我比數(shù)據(jù)集中的人更具吸引力。

什么？！顏值“客觀化”要進(jìn)行實(shí)質(zhì)性推進(jìn)了？

幾個(gè)月前，華南理工大學(xué)發(fā)布了一篇關(guān)于“顏值評(píng)估”的論文及其數(shù)據(jù)集。

這個(gè)數(shù)據(jù)集包括5500人，每人的長(zhǎng)相被從1-5分進(jìn)行打分。

數(shù)據(jù)的下載地址如下：

https://github.com/HCIILAB/SCUT-FBP5500-Database-Release

數(shù)據(jù)集中還包括一些明星。這張Julia Roberts的照片平均得分為3.78：

這張以色列著名模特Bar Refaeli的照片獲得了3.7分。

這些分?jǐn)?shù)可能看起來有點(diǎn)低，但3.7分已經(jīng)代表你的顏值比數(shù)據(jù)集中約80％的人高了。

在這個(gè)數(shù)據(jù)集上，作者訓(xùn)練了多個(gè)模型，試圖根據(jù)人臉圖片評(píng)估顏值。

在這篇文章中，我要復(fù)現(xiàn)他們的結(jié)果，并測(cè)一下自己的顏值。

原始論文構(gòu)造了一系列不同的模型，包括使用人工構(gòu)造特征的經(jīng)典ML模型和3種深度學(xué)習(xí)模型：AlexNet、ResNet18和ResNext50，我希望盡可能簡(jiǎn)化我的工作（我不想從頭開始訓(xùn)練Resnet神經(jīng)網(wǎng)絡(luò)模型），我想對(duì)現(xiàn)有的模型進(jìn)行調(diào)優(yōu)。在keras中，有一個(gè)稱為application的模塊，它包含各種不同的預(yù)訓(xùn)練過的模型。resnet50就是其中之一。 不幸的是，在keras.applications中沒有ResNet18或ResNext50，所以我不能完全復(fù)現(xiàn)研究人員之前的研究過程，不過利用resnet50也能足夠接近之前的工作。

from keras.applications import ResNet50

ResNet是一個(gè)由微軟開發(fā)的深度卷積網(wǎng)絡(luò)，它贏得了2015 年的ImageNet圖像分類任務(wù)競(jìng)賽。

在keras中，當(dāng)我們初始化resnet50模型時(shí)，我們創(chuàng)建了一個(gè)ResNet50結(jié)構(gòu)的模型，并且下載了在ImageNet數(shù)據(jù)集上訓(xùn)練的權(quán)重。

論文的作者沒并有提到他們究竟是如何訓(xùn)練模型的，不過我會(huì)盡力做到較好。

我想刪除最后一層（“softmax”層）并添加一個(gè)沒有激活函數(shù)的全連接層來做回歸。

resnet = ResNet50(include_top=False, pooling=’avg’)

model = Sequential()

model.add(resnet)

model.add(Dense(1))

model.layers[0].trainable = False

print model.summary()

# Output:

? Layer (type) ? ? ? ? ? ? ? ? Output Shape ? ? ? ? ? ? ?Param # ? ?================================================================= resnet50 (Model) ? ? ? ? ? ? (None, 2048) ? ? ? ? ? ? ?23587712 ? _________________________________________________________________ dense_1 (Dense) ? ? ? ? ? ? ?(None, 1) ? ? ? ? ? ? ? ? 2049 ? ? ? ================================================================= Total params: 23,589,761?

Trainable params: 23,536,641?

Non-trainable params: 53,120

你可以看到我把第一層（resnet模型）設(shè)置為不可訓(xùn)練的，所以我只有2049個(gè)可訓(xùn)練的參數(shù)，而不是23589761個(gè)參數(shù)。

我的計(jì)劃是訓(xùn)練最后的全連接層，然后以較小的學(xué)習(xí)率訓(xùn)練整個(gè)網(wǎng)絡(luò)。

model.compile(loss="mean_squared_error", optimizer=Adam())

model.fit(batch_size=32, x=train_X, y=train_Y, epochs=30)

之后，我將第一層改為可訓(xùn)練的，編譯模型，并再把模型訓(xùn)練30輪。

在這里，train_X代表照片，也就是形狀為（350,350,3）的numpy矩陣，train_Y是圖像被標(biāo)記的分?jǐn)?shù)。

結(jié)論

論文使用2種方法訓(xùn)練模型：5折交叉驗(yàn)證和以6：4的比例將數(shù)據(jù)集分割為訓(xùn)練集和測(cè)試集。他們使用皮爾遜相關(guān)系數(shù)（PC），平均誤差（MAE）和均方根誤差（RMSE）來測(cè)評(píng)估模型的結(jié)果。以下是他們使用5折交叉驗(yàn)證得到的結(jié)果：

這些是他們使用6:4分割數(shù)據(jù)集獲得的結(jié)果：

我以8:2的比例分割數(shù)據(jù)集，所以它類似于執(zhí)行1折交叉驗(yàn)證。

我得到的結(jié)果如下：

非常好的結(jié)果。另外，也可以看看散點(diǎn)圖和直方圖：

原始分?jǐn)?shù)分布（標(biāo)準(zhǔn)化后的）：

預(yù)測(cè)分?jǐn)?shù)分布（標(biāo)準(zhǔn)化后的）：

結(jié)果看起來不錯(cuò)?，F(xiàn)在在我身上試試這個(gè)這個(gè)神經(jīng)網(wǎng)絡(luò)。我首先使用這張照片：

我的分?jǐn)?shù)是2.85，這意味著我的顏值比數(shù)據(jù)集中52％的人高。不得不說我有點(diǎn)失望，我以為我的分?jǐn)?shù)會(huì)高一些，所以我試圖提高我的分?jǐn)?shù)。

我拍了很多照片，最終我得到了3.15分，這意味著我比數(shù)據(jù)集中64％的人更具吸引力。

這比之前好很多了，不過我必須誠實(shí)地說，我希望還能更高:)

最后一點(diǎn)，我使用Google Colaboratory構(gòu)建和調(diào)整了這個(gè)模型，簡(jiǎn)而言之，Google Colaboratory能為你提供一個(gè)免費(fèi)使用GPU的python notebook！

原文鏈接：

https://towardsdatascience.com/how-attractive-are-you-in-the-eyes-of-deep-neural-network-3d71c0755ccc

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754