幾個月前，華南大學發(fā)表了一篇關(guān)于“面部美容預測”的論文和數(shù)據(jù)集。?你可以在這里找到它。?數(shù)據(jù)集包括5500人，他們的得分有1到5分的吸引力。?

這里有一些來自論文的例子：

還有一些著名的人在集合中。?這朱莉婭羅伯特的照片平均得分為3.78：

這張以色列著名模特Bar Refaeli的照片得分為3.7分：

這些可能看起來像是低分，但3.7分代表酒吧比數(shù)據(jù)集中約80％的人更有吸引力。

與數(shù)據(jù)集一起，作者通過訓練多個模型試圖根據(jù)人臉圖片預測人的吸引力。

在這篇文章中，我想重現(xiàn)他們的結(jié)果并檢查我的吸引力。

---

最初的論文實現(xiàn)了一系列不同的模型，包括具有手工特征的經(jīng)典ML模型和3種深度學習模型：AlexNet，ResNet18和ResNext50。?
我希望盡可能簡化我的工作（我不想從頭開始實施和培訓整個resnet網(wǎng)絡(luò)），我想微調(diào)一下現(xiàn)有的模型，以完成這項工作。?在keras?，有一個稱為applications的模塊，它是一組不同的預先訓練過的模型。?其中之一是resnet50?。?不幸的是，在keras.applications中沒有ResNet18或ResNext50，所以我不能再現(xiàn)完全相同的工作，但我應該用resnet50足夠resnet50?。

from keras.applications import ResNet50

ResNet是一個深度卷積網(wǎng)絡(luò)，由微軟開發(fā)，贏得了2015 ImageNet競賽，這是一個圖像分類任務。?
當我們在keras啟動resnet50模型時，我們使用ResNet50體系結(jié)構(gòu)創(chuàng)建了一個模型，并且我們還下載了經(jīng)過訓練的訓練后的權(quán)重，如同在ImageNet數(shù)據(jù)集上進行訓練。

論文的作者沒有提到他們究竟是如何訓練模型的，所以我會盡力做到最好。?
我想刪除最后一層（“softmax”圖層）并添加一個沒有激活功能的密集圖層來執(zhí)行回歸。

resnet = ResNet50（include_top = False，pooling ='avg'） model = Sequential（） model.add（RESNET） model.add（密集（1）） model.layers [0] .trainable = False 打印model.summary（） ＃輸出： 圖層（類型）輸出形狀參數(shù)＃========================================== ======================= resnet50（模型）（無，2048）23587712 ____________________________________________________________________ dense_1（Dense）（None，1）2049 ====== ================================================== =========總參數(shù)：23,589,761 可訓練參數(shù)：23,536,641 不可訓練的參數(shù)：53,120

你可以看到我制作了第一層（resnet模型）不可訓練，所以我只有2049個可訓練的參數(shù)，而不是23589761。

我的計劃是訓練最終的密集層，然后以較小的學習率訓練整個網(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練，編譯并將模型適應另外30個時期。

在這里，?train_X是照片，即形狀(350, 350, 3)?train_Y?(350, 350, 3)numpy數(shù)組，以及train_Y是被標記的圖像的分數(shù)。

結(jié)果

本文使用2種技術(shù)訓練模型：5倍交叉驗證和60％-40％列車測試分割。?他們使用Pearson Correlation（PC），平均絕對誤差（MAE）和均方根誤差（RMSE）來測量他們的結(jié)果。?這些是他們使用5倍交叉驗證得到的結(jié)果：

這些是他們使用60％-40％訓練測試分組獲得的結(jié)果：

我會做一個80％-20％的訓練測試分割，所以它類似于執(zhí)行其交叉驗證部分的1倍。

我得到了以下結(jié)果：

RMSE：0.301799791952313 MAE：0.2333630505619627 PC：0.9012570266136678

非常好。?另外，查看分數(shù)的散點圖和直方圖總是很好的：

原始分數(shù)分布（標準化）：

預測分數(shù)分布（標準化）：

結(jié)果看起來不錯。?現(xiàn)在讓我們來看看這個深度神經(jīng)網(wǎng)絡(luò)對我所說的。?我首先使用這張照片：

我得到了2.85，這意味著我比這個數(shù)據(jù)集中52％的人更有吸引力。?我不得不說我有點失望，我希望我會比這更好。?所以我試圖改善我的情況。

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

這是好多了，我必須誠實地說，我希望更好:)

最后一點，我使用Google Colaboratory構(gòu)建和調(diào)整了這個模型，簡而言之，它為您提供了一個免費使用GPU的python筆記本！

希望你喜歡這篇文章。

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

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的在深度神经网络中你有多吸引人？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。