🥇কিভাবে মেশিন লার্নিং এবং টিন্ডার ব্যবহার করে প্রতি ঘন্টায় 13 জন মেয়েকে বাছাই করবেন

*অবশ্যই মেশিন লার্নিং শেখার জন্য। তার প্রিয় স্ত্রীর কিছুটা অসন্তুষ্ট দৃষ্টিতে।

স্পাইনাল রিফ্লেক্সের স্তরে টিন্ডারের মতো সহজ কোনো প্রয়োগ সম্ভবত নেই। এটি ব্যবহার করার জন্য, আপনাকে সোয়াইপ করার জন্য শুধুমাত্র একটি আঙুল এবং আপনার পছন্দের মেয়ে বা পুরুষদের বেছে নেওয়ার জন্য কয়েকটি নিউরনের প্রয়োজন। জুড়ি নির্বাচনে পাশবিক শক্তির একটি আদর্শ বাস্তবায়ন।

আমি সিদ্ধান্ত নিয়েছি যে এটি একটি নতুন গ্রাফিক্স কার্ডে মেশিন লার্নিংয়ের জন্য একটু অনুভূতি পেতে একটি ভাল উপায় হবে৷ যা বাকি আছে তা হল আমার স্ত্রীকে বোঝানো যে আমার কোনও নতুন মোটা মহিলার দরকার নেই এবং আমি কেবল নিউরাল নেটওয়ার্ক প্রশিক্ষণ দিচ্ছি।

ডেটিং নেটওয়ার্কে সমস্যা কি?

এমন একটি সংস্থান ছিল - অ্যাশলে ম্যাডিসন। নির্দিষ্ট, স্লোগান সহ “জীবন ছোট। একটি ব্যাপার আছে." প্রধান শ্রোতা হল বিবাহিত পুরুষরা পাশে একটি সম্পর্ক খুঁজছেন. নগদীকরণও মজার - স্ট্যান্ডার্ড "লাইক এবং লিখতে পয়েন্ট ব্যয়" ছাড়াও তারা কোনও ট্রেস ছাড়াই ব্যবহারকারীর অ্যাকাউন্ট মুছে ফেলার জন্য $19 চেয়েছিল৷

2015 সালে, সাইটটি স্বাভাবিকভাবেই ফাঁস হয়েছিল এবং 60 জিবি ব্যক্তিগত ডেটা পাবলিক ডোমেনে ফাঁস হয়েছিল। অনেক ধ্বংসপ্রাপ্ত পরিবার ছাড়াও, এই ফাঁস বিশ্লেষকদের কাছে অনেক আকর্ষণীয় তথ্য প্রদান করেছে। আমি সবসময় সন্দেহ করতাম যে ডেটিং সাইটগুলিতে আরও অনেক পুরুষ ছিল, তবে এই ক্ষেত্রে এটি বেশ আকর্ষণীয় হয়ে উঠল। সাংবাদিক অ্যানালি নিউইটজ ফাঁস তথ্য বিশ্লেষণ দেখা গেছে যে 5 মিলিয়ন ব্যবহারকারীর মধ্যে, শুধুমাত্র 12 প্রকৃত মেয়ে অ্যাকাউন্টের মতো এবং নিয়মিত ব্যবহার করা হয়। বাকিগুলো ছিল শুধু বট যেগুলো পুরুষ দর্শকদের সাথে চ্যাট করেছে।

পুরুষ অ্যাকাউন্টের প্রতি এই ধরনের প্রাধান্য শুধুমাত্র এই সম্পদের জন্যই নয়, অন্যান্য ডেটিং সাইটের জন্যও সাধারণ। আমি নিশ্চিত যে অনেকেই এই নিঃসন্দেহে অন্যায্য পরিস্থিতির মুখোমুখি হয়েছেন, যখন আপনাকে সাবধানে একটি পরিচিতের পরিকল্পনা করতে হবে, তবে মেয়েটিকে কেবল নিবন্ধন করতে হবে। ভক্তদের এই ভিড়ের গুণমানকে একপাশে ছেড়ে দেওয়া যাক, তবে সত্যটি অনস্বীকার্য যে সরবরাহ এবং চাহিদার ভারসাম্য স্পষ্টতই মেয়েদের পক্ষে চলে গেছে।

টিন্ডার বৈশিষ্ট্য

লিঙ্গ সম্পর্কের ক্ষেত্রে আদর্শ পাশবিক শক্তি

এই প্ল্যাটফর্মের প্রধান বৈশিষ্ট্য হল পরিচিত প্রতি কম খরচ। দুটি সোয়াইপের একটি কাকতালীয় যথেষ্ট এবং আপনি ইতিমধ্যেই একজন সম্ভাব্য আকর্ষণীয় ব্যক্তির সাথে যোগাযোগ করছেন। সমস্যা হল যে একই লিঙ্গ ভারসাম্যহীনতা এই সত্যের দিকে পরিচালিত করে যে বেশিরভাগ মেয়েরা প্রতিদিন কয়েক ডজন ম্যাচ করবে। এর মানে হল যে তাদের সম্ভবত অন্যান্য প্রার্থীদের মধ্যে আপনার দিকে মনোযোগ দেওয়ার সময় থাকবে না।

এটি বেশ স্পষ্ট যে প্ল্যাটফর্মটি সাঁতারের পোশাকে বা ফ্যাশনেবল রঙের গাড়ি চালানোর ফটোতে দেড় সেকেন্ডের এক নজর থেকে একজন ব্যক্তির গভীর অভ্যন্তরীণ জগতকে মূল্যায়ন করার খুব কম সুযোগ বোঝায়। অতএব, আপনি যদি আপনার ফটোগ্রাফগুলিতে কেবল ঐশ্বরিক না দেখেন তবে আপনার কাছে অবলম্বন করে আপনার সম্ভাবনা বাড়ানো ছাড়া আর কোন বিকল্প নেই r-কৌশল কিছু প্রজাতির মধ্যে। সহজ কথায়, আমরা প্রজনন সাফল্যের সম্ভাবনা বাড়ানোর জন্য নৃশংস শক্তি প্রয়োগ করব এবং পরিমাণে নেব। যেহেতু আপনাকে মাঝে মাঝে খাবার এবং ঘুমের দ্বারা বিভ্রান্ত হতে হবে, এবং সোয়াইপগুলি সীমিত, আপনি সম্ভবত পছন্দ করবেন যে অটোমেশন আপনার পছন্দ অনুসারে সবচেয়ে উপযুক্ত মেয়ে বা পুরুষ নির্বাচন করুন। সংক্ষিপ্ত redheads বা লম্বা brunettes - এটা আপনার উপর নির্ভর করে।

তথ্য সংগ্রহ

প্রথমত, স্বাভাবিক নির্ভুলতার জন্য আপনার প্রচুর ডেটা প্রয়োজন। যে কেউ মেশিন লার্নিং এর সম্মুখীন হয়েছেন তারা জানেন যে সঠিকভাবে সংগৃহীত এবং লেবেলযুক্ত ডেটাসেট তৈরি করা কতটা কঠিন হতে পারে। তাত্ত্বিকভাবে, অনুরূপ যে কোনও সংস্থান ডেটা উত্স হিসাবে উপযুক্ত হবে, তা ইনস্টাগ্রাম বা অন্যান্য সামাজিক নেটওয়ার্ক হোক। কিন্তু ভবিষ্যতে নেটওয়ার্কটি কাজ করবে এমন নমুনাগুলির উপর প্রশিক্ষণ দেওয়া ভাল।

এর একটি ভিত্তি হিসাবে সংগ্রহস্থল গ্রহণ করা যাক টিন্ডার অটোমেশন. টিন্ডারের ফটো সর্বদা সর্বজনীনভাবে উপলব্ধ, তবে "লাইক" ফাংশন ইতিমধ্যেই সীমিত৷ অতএব, ব্যাসার্ধের মধ্যে সমস্ত জীবন্ত জিনিস বের করা এবং সাবধানে তাদের চিহ্নিত করা প্রয়োজন। প্রথমে আপনাকে একটি মোটামুটি সহজ স্ক্রিপ্ট ব্যবহার করতে হবে:

from skimage.io import imread, imsave, imshow, show
import matplotlib.pyplot as plt
import pynder
from helpers import get_access_token, get_login_credentials
from io_helper import save_image

email, password, FBID = get_login_credentials()
FBTOKEN = get_access_token(email, password)
session = pynder.Session(facebook_token=FBTOKEN)

while True:
    users = session.nearby_users()
    for user in users:
        photos = user.get_photos()
        print("Fetched user photos..")
        for photo in photos:
            print(photo)
            image = imread(photo)
            imshow(image)
            show()

            input_string = "Write 1 to like. Write 2 to dislike."
            ans = str(input(input_string)).lower()

            if ans == "1":
                save_image(image, photo, True)
            else:
                save_image(image, photo, False)

এটি আপনাকে মাত্র দুটি বোতামের সাহায্যে যত তাড়াতাড়ি সম্ভব ডেটাসেটটিকে চিহ্নিত করার অনুমতি দেবে৷ মূল সমস্যাটি হল যে ওয়ার্কজেউগ লাইব্রেরিটি পশ্চাদমুখী সামঞ্জস্যতা ভেঙে দিয়েছে এবং এটিকে ডাউনগ্রেড করতে বাধ্য করতে হবে৷ অন্যথায় এটি এই ত্রুটি নিক্ষেপ.

Traceback (most recent call last):
  File "img_scrape.py", line 4, in <module>
    from helpers import get_access_token, get_login_credentials
  File "/home/someone/tmp/TinderAutomation/helpers.py", line 1, in <module>
    import robobrowser
  File "/home/someone/tmp/TinderAutomation/venv/lib/python3.6/site-packages/robobrowser/__init__.py", line 3, in <module>
    from .browser import RoboBrowser
  File "/home/someone/tmp/TinderAutomation/venv/lib/python3.6/site-packages/robobrowser/browser.py", line 8, in <module>
    from werkzeug import cached_property
ImportError: cannot import name 'cached_property'

অতএব, requirements.txt-এ আপনাকে লিখতে হবে Werkzeug==0.16.1। তারপর খুলে যাবে।
দ্বিতীয় সমস্যা এই খুব টোকেন পেতে হয়. সংগ্রহস্থল থেকে স্ট্যান্ডার্ড পদ্ধতি আমার জন্য কাজ করেনি, কিন্তু আমি বিকাশকারী কনসোল থেকে এটি পেতে পরিচালিত। এটি করতে, যান লিংক এবং POST অনুরোধের প্রতিক্রিয়াটি বের করুন www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1. ভিতরে আমরা 'অ্যাক্সেস_টোকেন' খুঁজি। কিছু কারণে এটি প্রথমবার কাজ করেনি, কিন্তু তারপর আমি এটি খুঁজে পেয়েছি এবং এটি স্ক্রিপ্টে হার্ডকোড করেছি।

ডেটাসেটের প্রয়োজনীয়তা

মেশিন লার্নিং ডেটাসেটের জন্য বেশ কিছু মূল প্রয়োজনীয়তা রয়েছে:

পর্যাপ্ততা
অভিন্নতা
বৈচিত্র্য

এই ক্ষেত্রে পর্যাপ্ততার জন্য একটি পর্যাপ্ত মডেল তৈরি করতে কমপক্ষে 10000 ফটোগ্রাফের প্রয়োজন। হ্যাঁ, এটা অনেক। এই আসলে কেন সেবা পছন্দ অ্যামাজন যান্ত্রিক তুর্ক, যেখানে একটি ফি দিয়ে আপনি আপনার ডেটাসেটের মার্কআপ অন্য লোকেদের কাছে অর্পণ করতে পারেন৷ অন্যদিকে, আপনি কি সত্যিই চান যে আপনার বট চমত্কার চাঁদমুখী এশিয়ান মেয়েদের পছন্দ করুক বা ভারতীয় শিকড় সহ সমান সুন্দরী মেয়েদের পছন্দ করুক? তবুও, মডেল আপনার স্বাদ প্রতিফলিত করা উচিত.

বৈচিত্র্যের সাথে কোন বিশেষ সমস্যা নেই; সমস্ত ফটোগ্রাফ বিভিন্ন কোণ এবং আলো থেকে উপস্থাপন করা হয়। চশমা, পোশাক, সাঁতারের পোষাক এবং স্কি স্যুটগুলিতে। ডেটাসেটের অভিন্নতা নিয়ে সমস্যা দেখা দিতে পারে। আদর্শভাবে, যখন আমরা আমাদের নমুনা লেবেল করি, তখন এটি প্রায় সমান অংশগুলি নিয়ে গঠিত হওয়া উচিত। আপনি যদি একটি "তির্যক" ডেটাসেট নিয়ে শেষ করেন, তাহলে আপনাকে এটিকে অন্যান্য উত্স থেকে তোলা ফটোগ্রাফ দিয়ে পাতলা করতে হবে৷ আপনাকে আরও আকর্ষণীয় যুক্ত করতে হবে, বা বিপরীতভাবে, আপনি মার্কআপ ফলাফলের উপর ভিত্তি করে সেগুলি নির্ধারণ করবেন। আমি প্রায় 60% সুন্দর কিছু পেয়েছি। হয় আমি খুব পছন্দের নই, অথবা আমি ভাগ্যবান এবং চারপাশে অনেক সুন্দরী মেয়ে আছে।

আমি তাদের মধ্যে অনেক বট আছে যে অনুমান ছাড় না. আমরা এমন একটি বটকে প্রশিক্ষণ দিই যা অন্যান্য বট পছন্দ করবে। এর মধ্যে কিছুটা বিড়ম্বনা আছে।

তথ্য প্রক্রিয়াজাতকরণ

আমরা ট্যাগ করা ফটো একটি গুচ্ছ আছে, কিন্তু তারা খুব মিশ্র হয়. দিনের বেলা, রাতের বেলা, পিছন থেকে এবং অন্যান্য। দুঃখের সাথে, আমি বুঝতে পারি যে বিপরীত কোণ থেকে ফটোগ্রাফগুলি শেখানো বিশেষভাবে কার্যকর হবে না, যেহেতু নমুনাটি খুব অসম হবে। অতএব, সর্বোত্তম বিকল্প হবে মুখগুলিকে "সুন্দরতার" রেফারেন্স চিহ্ন হিসাবে ব্যবহার করা। তবুও, আমাদের জন্য, অন্যান্য প্রাইমেটদের জন্য, এটি একটি মূল পরামিতি।

অতএব, এর ব্যবহার করা যাক হর ক্যাসকেড. এটি একটি দুর্দান্ত অ্যালগরিদম যা আপনাকে মিথ্যা ইতিবাচক ত্রুটির কম শতাংশ সহ চিত্রগুলিতে মুখগুলি খুঁজে পেতে দেয়।

এটি ম্যানুয়ালটিতে আরও বিশদে বর্ণনা করা হয়েছে OpenCV

পরবর্তী পর্যায়ে, শুধুমাত্র মুখগুলি নমুনায় থাকার পরে, এটি রঙ অপসারণ করার জন্য বোধগম্য হয়। আসলে, আপনাকে প্যান্ডোরার সুন্দর নীল ডেনিজেন বা সবুজ-চর্মযুক্ত সৌন্দর্যের মধ্যে খুব কমই বেছে নিতে হবে।

উৎস

হিউ লোকেদের মধ্যে, ত্বকের রঙ আকর্ষণীয়তার রেটিংয়ে উল্লেখযোগ্য অবদান রাখে না।
অতএব, নিউরাল নেটওয়ার্কের কাজকে সরলীকরণ করা এবং শুধুমাত্র গ্রেস্কেল ছেড়ে দেওয়া মূল্যবান।

মডেল ভবন

আমি এখনই বলতে চাই যে একটি ভাল ভিডিও কার্ড এবং CUDA ছাড়া, আপনি সম্ভবত পর্যাপ্ত সময়ে একটি প্রশিক্ষিত মডেল পাবেন না। অতএব, অবিলম্বে বিশেষায়িত মেঘে বা পাইথন-CUDA ব্যবহার করে গণনার লক্ষ্য করুন।

আমি সংগ্রহস্থলের লেখকের কাছ থেকে একটি মৌলিক তিন-স্তরের উদাহরণ নিয়েছি এবং আশ্চর্যজনকভাবে, এটি প্রায় 72% এর নির্ভুলতা দেখিয়েছে, যা বেশ ভাল ফলাফল।

model = Sequential()
model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(img_size, img_size, 3)))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Convolution2D(32, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Convolution2D(64, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
          
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(2, activation='softmax'))

adam = optimizers.SGD(lr=1e-4, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer= adam,
              metrics=['accuracy'])

যদি একটি ভাল নমুনা থাকে, তাহলে এটি একটি কার্যকরী মডেল পাওয়ার জন্য যথেষ্ট হতে পারে।

এর বট চালু করা যাক

ধারণাটি দ্রুত পরীক্ষা করার জন্য একটি রেডিমেড বিকল্পের জন্য সংগ্রহস্থলের লেখককে ধন্যবাদ। প্রকৃতপক্ষে, এটি মৌলিক সংস্করণে বেশ ভাল কাজ করে এবং নীতিগতভাবে, আমাদের চালু করা যেতে পারে রেডিমেড ভাড়া সার্ভার. এখনও প্রশিক্ষণ দেওয়া সম্ভব হবে না; এই মুহূর্তে আমরা গণনার জন্য CUDA সমর্থন সহ ভার্চুয়াল মেশিন সরবরাহ করি না, তবে আপনি কোনও সমস্যা ছাড়াই 24/7 কিছু চালাতে পারেন। বটটি বেশ হালকা, তাই ব্যবহৃত সম্পদের জন্য অর্থ প্রদান করে এমন একটি ট্যারিফ নেওয়া আরও লাভজনক হবে।

Результаты

আমি অনুমান আমি খুব সুন্দর. এবং আমি একটি সমৃদ্ধ অভ্যন্তরীণ জগত আছে. আমি এক ঘন্টার মধ্যে 13 টি ম্যাচের মত কিছু পেয়েছি। তাছাড়া বেশ কয়েকবার মেয়েরা প্রথমে লিখেছে।
ফলস্বরূপ, আমরা খুব সুন্দর সংলাপ দিয়ে শেষ করেছি, যেখানে আমি বলেছিলাম যে আমি শুধুমাত্র মেশিন লার্নিং এবং ডেটা লেবেলিংয়ের সাথে খেলতে এসেছি। মেয়েদের মধ্যে একজন অত্যন্ত আগ্রহী ছিল, যেহেতু সে নিজেই একজন বিকাশকারী। একটি দৃঢ় অনুভূতি আছে যে তিনি অবশেষে Habré-এ এই পোস্টটি পড়বেন। আমি সত্যিই আশা করি যে ওকসানা আমার পরিচয় গোপন রাখবে। 🙂
* থাবা নেড়ে হাই বলে

ইস্যুটির নৈতিক দিক সম্পর্কে একটু

সত্যি কথা বলতে, আমি পুরুষ এবং মেয়েদের মধ্যে সম্পর্ক রোবট করার সম্পূর্ণ ধারণা পছন্দ করি না। একা দাঁড়িয়ে থাকা একজন ঠান্ডা অপরিচিত ব্যক্তির কাঁধের উপর আপনার জ্যাকেট ছুঁড়ে ফেলার বিষয়ে খুব সঠিক কিছু আছে। অথবা গ্রীষ্মকালীন ক্যাফেতে একটি সুন্দরী মেয়ের কাছে যান এবং একসাথে কফি পান করুন। ইতিমধ্যে মনিটরের পিছনে থেকে বেরিয়ে যান।

চারদিকে গ্রীষ্ম। এটি পরিচিত হওয়ার সময়।

উত্স: www.habr.com

মেশিন লার্নিং এবং টিন্ডার ব্যবহার করে কীভাবে প্রতি ঘন্টায় 13 জন মেয়েকে বাছাই করা যায়