મશીન લર્નિંગ અને ટિન્ડરનો ઉપયોગ કરીને કલાક દીઠ 13 છોકરીઓને કેવી રીતે પસંદ કરવી

*મશીન લર્નિંગ શીખવા માટે, અલબત્ત. તેની પ્રિય પત્નીની સહેજ અસંતુષ્ટ ત્રાટકશક્તિ હેઠળ.

કરોડરજ્જુના પ્રતિબિંબના સ્તર માટે ટિન્ડર જેટલો સરળ ઉપયોગ કદાચ કોઈ નથી. તેનો ઉપયોગ કરવા માટે, તમારે સ્વાઇપ કરવા માટે માત્ર એક આંગળી અને તમને શ્રેષ્ઠ ગમતી છોકરીઓ અથવા પુરુષોને પસંદ કરવા માટે થોડા ન્યુરોન્સની જરૂર છે. જોડીની પસંદગીમાં બ્રુટ ફોર્સનું આદર્શ અમલીકરણ.

મેં નક્કી કર્યું કે નવા ગ્રાફિક્સ કાર્ડ પર મશીન લર્નિંગ માટે થોડો અનુભવ મેળવવાની આ એક સારી રીત હશે. બસ મારી પત્નીને સમજાવવાનું બાકી છે કે મારે નવી જાડી સ્ત્રીની જરૂર નથી, અને હું માત્ર ન્યુરલ નેટવર્કને તાલીમ આપી રહ્યો છું.

ડેટિંગ નેટવર્ક સાથે સમસ્યા શું છે?

આવા સંસાધન હતા - એશ્લે મેડિસન. વિશિષ્ટ, સૂત્ર સાથે “જીવન ટૂંકું છે. અફેર છે." મુખ્ય પ્રેક્ષકો પરિણીત પુરુષો છે જેઓ બાજુ પર અફેર શોધી રહ્યા છે. મુદ્રીકરણ પણ મનોરંજક છે - પ્રમાણભૂત "લાઇક અને લખવા માટે પોઈન્ટ ખર્ચ કરો" ઉપરાંત, તેઓએ ટ્રેસ વિના વપરાશકર્તાના એકાઉન્ટને કાઢી નાખવા માટે $19 માંગ્યા.

2015 માં, સાઇટ કુદરતી રીતે લીક થઈ અને 60 GB વ્યક્તિગત ડેટા સાર્વજનિક ડોમેનમાં લીક થયો. ઘણા નાશ પામેલા પરિવારો ઉપરાંત, આ લીક વિશ્લેષકોને ઘણી રસપ્રદ માહિતી પ્રદાન કરે છે. મને હંમેશા શંકા હતી કે ડેટિંગ સાઇટ્સ પર ઘણા વધુ પુરુષો છે, પરંતુ આ કિસ્સામાં તે ખૂબ જ રસપ્રદ બન્યું. પત્રકાર અન્નાલી ન્યુટ્ઝ લીક થયેલ ડેટાનું વિશ્લેષણ જાણવા મળ્યું કે 5 મિલિયન વપરાશકર્તાઓમાંથી, ફક્ત 12 જ વાસ્તવિક છોકરીના એકાઉન્ટ્સ જેવા હતા અને તેનો નિયમિત ઉપયોગ થતો હતો. બાકીના ફક્ત બૉટો હતા જે પુરૂષ મુલાકાતીઓ સાથે ચેટ કરતા હતા.

પુરૂષ ખાતાઓ પ્રત્યે આ પ્રકારનું પ્રાધાન્યતા માત્ર આ સંસાધન માટે જ નહીં, પરંતુ મોટાભાગની અન્ય ડેટિંગ સાઇટ્સ માટે પણ લાક્ષણિક છે. મને ખાતરી છે કે ઘણાને આ નિઃશંકપણે અન્યાયી પરિસ્થિતિનો સામનો કરવો પડ્યો છે, જ્યારે તમારે કોઈ પરિચિતની કાળજીપૂર્વક યોજના બનાવવી હોય, પરંતુ છોકરીએ ફક્ત નોંધણી કરવાની જરૂર છે. ચાહકોની આ ભીડની ગુણવત્તાને બાજુ પર રાખીએ, પરંતુ હકીકત એ નિર્વિવાદ છે કે પુરવઠા અને માંગનું સંતુલન સ્પષ્ટપણે છોકરીઓની તરફેણમાં બદલાઈ ગયું છે.

ટિન્ડર લક્ષણ

લિંગ સંબંધોમાં આદર્શ જડ બળ

આ પ્લેટફોર્મની મુખ્ય વિશેષતા એ છે કે પરિચિત દીઠ ઓછી કિંમત. બે સ્વાઇપનો સંયોગ પૂરતો છે અને તમે સંભવિત રૂપે રસપ્રદ વ્યક્તિ સાથે પહેલેથી જ વાતચીત કરી રહ્યાં છો. સમસ્યા એ છે કે સમાન લિંગ અસંતુલન એ હકીકત તરફ દોરી જાય છે કે મોટાભાગની છોકરીઓ દરરોજ ડઝનેક મેચ હશે. આનો અર્થ એ છે કે અન્ય ઉમેદવારો વચ્ચે તમારી તરફ ધ્યાન આપવા માટે તેમની પાસે મોટા ભાગે કોઈ સમય નથી.

તે એકદમ સ્પષ્ટ છે કે પ્લેટફોર્મ સ્વિમસ્યુટમાં અથવા ફેશનેબલ ટીન્ટેડ કાર ચલાવતા ફોટા પર દોઢ સેકન્ડની નજરથી વ્યક્તિના ઊંડા આંતરિક વિશ્વનું મૂલ્યાંકન કરવાની ઓછી તક સૂચવે છે. તેથી, જો તમે તમારા ફોટોગ્રાફ્સમાં ફક્ત દિવ્ય દેખાતા નથી, તો તમારી પાસે અપનાવીને તમારી તકો વધારવા સિવાય કોઈ વિકલ્પ નથી. આર-વ્યૂહરચના કેટલીક પ્રજાતિઓમાં. સરળ શબ્દોમાં કહીએ તો, સંવર્ધનની સફળતાની અમારી તકો વધારવા માટે અમે જડ બળ કરીશું અને માત્રામાં વધારો કરીશું. કારણ કે તમારે કેટલીકવાર ખોરાક અને ઊંઘથી વિચલિત થવાની જરૂર હોય છે, અને સ્વાઇપ મર્યાદિત હોય છે, તમે કદાચ એ પસંદ કરશો કે ઓટોમેશન એવી છોકરીઓ અથવા પુરુષોને પસંદ કરે જે તમારી રુચિને અનુરૂપ હોય. ટૂંકા રેડહેડ્સ અથવા ઊંચા બ્રુનેટ્સ - તે તમારા પર છે.

ડેટા એકત્રિત કરી રહ્યા છે

સૌ પ્રથમ, તમારે સામાન્ય ચોકસાઈ માટે ઘણા બધા ડેટાની જરૂર છે. કોઈપણ જેણે મશીન લર્નિંગનો સામનો કર્યો છે તે જાણે છે કે યોગ્ય રીતે એકત્રિત અને લેબલ કરેલ ડેટાસેટ બનાવવું કેટલું મુશ્કેલ હોઈ શકે છે. સૈદ્ધાંતિક રીતે, કોઈપણ સમાન સંસાધન ડેટા સ્ત્રોત તરીકે યોગ્ય રહેશે, પછી તે Instagram અથવા અન્ય સામાજિક નેટવર્ક્સ હોય. પરંતુ તે નમૂનાઓ પર તાલીમ આપવાનું શ્રેષ્ઠ છે કે જેના પર નેટવર્ક ભવિષ્યમાં કાર્ય કરશે.

ચાલો રીપોઝીટરીને આધાર તરીકે લઈએ ટિન્ડર ઓટોમેશન. ટિન્ડરના ફોટા હંમેશા સાર્વજનિક રૂપે ઉપલબ્ધ હોય છે, પરંતુ "લાઇક" ફંક્શન પહેલેથી જ મર્યાદિત છે. તેથી, ત્રિજ્યાની અંદરની તમામ જીવંત વસ્તુઓને બહાર કાઢવી અને તેમને કાળજીપૂર્વક ચિહ્નિત કરવી જરૂરી છે. પ્રથમ તમારે એકદમ સરળ સ્ક્રિપ્ટનો ઉપયોગ કરવાની જરૂર છે:

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)

તે તમને માત્ર બે બટનો વડે શક્ય તેટલી ઝડપથી ડેટાસેટને માર્કઅપ કરવાની મંજૂરી આપશે. મુખ્ય મુશ્કેલી એ હકીકતમાં રહેલી છે કે વર્કઝ્યુગ લાઇબ્રેરીએ પછાત સુસંગતતા તોડી નાખી છે અને તેને ડાઉનગ્રેડ કરવાની ફરજ પાડવી પડશે. અન્યથા તે આ ભૂલ ફેંકે છે.

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'

તેથી, requirements.txt માં તમારે Werkzeug==0.16.1 લખવાની જરૂર છે. પછી તે ઉપડી જશે.
બીજી સમસ્યા આ ખૂબ જ ટોકન મેળવવાની છે. રીપોઝીટરીમાંથી પ્રમાણભૂત પદ્ધતિ મારા માટે કામ કરતી નથી, પરંતુ મેં તેને વિકાસકર્તા કન્સોલમાંથી મેળવવામાં વ્યવસ્થાપિત કર્યું. આ કરવા માટે, પર જાઓ કડી અને માં POST વિનંતીનો પ્રતિભાવ બહાર કાઢો www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1. અંદર આપણે 'access_token' શોધીએ છીએ. કેટલાક કારણોસર તે પ્રથમ વખત કામ કરતું ન હતું, પરંતુ પછી મને તે મળ્યું અને તેને સ્ક્રિપ્ટમાં હાર્ડકોડ કર્યું.

ડેટાસેટ જરૂરિયાતો

મશીન લર્નિંગ ડેટાસેટ્સ માટે ઘણી મુખ્ય આવશ્યકતાઓ છે:

1. પર્યાપ્તતા
2. એકરૂપતા
3. વિવિધતા

આ કિસ્સામાં પર્યાપ્તતા માટે પર્યાપ્ત મોડેલ બનાવવા માટે ઓછામાં ઓછા 10000 ફોટોગ્રાફ્સની જરૂર છે. હા, તે ઘણું છે. આ ખરેખર શા માટે સેવાઓ ગમે છે એમેઝોન યાંત્રિક ટર્ક, જ્યાં ફી માટે તમે તમારા ડેટાસેટના માર્કઅપને અન્ય લોકોને સોંપી શકો છો. બીજી બાજુ, શું તમે ખરેખર ઇચ્છો છો કે તમારા બોટને અદ્ભુત ચંદ્ર ચહેરાવાળી એશિયન છોકરીઓ અથવા ભારતીય મૂળવાળી એટલી જ સુંદર છોકરીઓ ગમે? તેમ છતાં, મોડેલ તમારા સ્વાદને પ્રતિબિંબિત કરવું જોઈએ.

વિવિધતા સાથે કોઈ ખાસ સમસ્યા નથી; બધા ફોટોગ્રાફ્સ વિવિધ ખૂણાઓ અને લાઇટિંગથી રજૂ કરવામાં આવ્યા છે. ચશ્મા, ડ્રેસ, સ્વિમસ્યુટ અને સ્કી સુટ્સમાં. ડેટાસેટની એકરૂપતા સાથે સમસ્યા ઊભી થઈ શકે છે. આદર્શ રીતે, જ્યારે અમે અમારા નમૂનાને લેબલ કરીએ છીએ, ત્યારે તેમાં લગભગ સમાન ભાગો હોવા જોઈએ. જો તમે "સ્ક્યુડ" ડેટાસેટ સાથે સમાપ્ત કરો છો, તો તમારે તેને અન્ય સ્રોતોના ફોટોગ્રાફ્સ સાથે પાતળું કરવું પડશે. તમારે વધુ આકર્ષક ઉમેરવાની જરૂર પડશે, અથવા તેનાથી વિપરીત, તમે તેમને માર્કઅપ પરિણામના આધારે નક્કી કરશો. મને લગભગ 60% સુંદર કંઈક મળ્યું. કાં તો હું બહુ પસંદીદા નથી, અથવા તો હું નસીબદાર છું અને આસપાસ ઘણી બધી સુંદર છોકરીઓ છે.

હું એ પૂર્વધારણાને પણ ડિસ્કાઉન્ટ કરતો નથી કે તેમની વચ્ચે ઘણા બૉટો છે. અમે એક બોટને તાલીમ આપીએ છીએ જે અન્ય બૉટોને ગમશે. આમાં થોડી વક્રોક્તિ છે.

ડેટા પ્રોસેસિંગ

અમારી પાસે ટૅગ કરેલા ફોટાઓનો સમૂહ છે, પરંતુ તે ખૂબ જ મિશ્રિત છે. દિવસનો સમય, રાત્રિનો સમય, પાછળથી અને અન્ય. અફસોસ સાથે, હું સમજું છું કે વિપરીત કોણથી ફોટોગ્રાફ્સનું શિક્ષણ ખાસ અસરકારક રહેશે નહીં, કારણ કે નમૂના ખૂબ અસમાન હશે. તેથી, શ્રેષ્ઠ વિકલ્પ એ છે કે ચહેરાનો ઉપયોગ "ક્યુટનેસ" ના સંદર્ભ સંકેત તરીકે કરવો. તેમ છતાં, અમારા માટે, અન્ય પ્રાઈમેટ્સની જેમ, આ એક મુખ્ય પરિમાણ છે.

તેથી, ચાલો ઉપયોગ કરીએ હાર કાસ્કેડ. આ એક ઉત્તમ અલ્ગોરિધમ છે જે તમને ખોટી હકારાત્મક ભૂલોની ઓછી ટકાવારી સાથે છબીઓમાં ચહેરા શોધવાની મંજૂરી આપે છે.

આ મેન્યુઅલમાં વધુ વિગતવાર વર્ણવેલ છે ઓપનસીવી

આગળના તબક્કે, નમૂનામાં ફક્ત ચહેરાઓ હોય તે પછી, રંગ દૂર કરવાનો અર્થ થાય છે. વાસ્તવમાં, તમારે ભાગ્યે જ પાન્ડોરાના સુંદર વાદળી નિવાસી અથવા લીલા-ચામડીવાળી સુંદરતા વચ્ચે પસંદગી કરવી પડશે.

સોર્સ

હ્યુ લોકોમાં, ત્વચાનો રંગ આકર્ષકતાના રેટિંગમાં નોંધપાત્ર ફાળો આપતો નથી.
તેથી, ન્યુરલ નેટવર્કના કાર્યને સરળ બનાવવા અને ફક્ત ગ્રેસ્કેલ છોડવું યોગ્ય છે.

મોડેલ બિલ્ડિંગ

હું હમણાં જ કહેવા માંગુ છું કે સારા વિડિયો કાર્ડ અને CUDA વિના, તમને સંભવતઃ પૂરતા સમયમાં પ્રશિક્ષિત મોડેલ નહીં મળે. તેથી, તરત જ વિશિષ્ટ વાદળોમાં અથવા પાયથોન-સીયુડીએનો ઉપયોગ કરીને ગણતરીઓનું લક્ષ્ય રાખો.

મેં રીપોઝીટરીના લેખક પાસેથી મૂળભૂત ત્રણ-સ્તરનું ઉદાહરણ લીધું અને, આશ્ચર્યજનક રીતે, તે લગભગ 72% ની ચોકસાઈ દર્શાવે છે, જે ખૂબ સારું પરિણામ છે.

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'])

જો ત્યાં સારો નમૂનો હોય, તો તે કાર્યક્ષમ મોડેલ મેળવવા માટે પૂરતું હોઈ શકે છે.

ચાલો બોટ લોન્ચ કરીએ

વિચારને ઝડપથી ચકાસવા માટે તૈયાર વિકલ્પ માટે રીપોઝીટરીના લેખકનો આભાર. હકીકતમાં, તે મૂળભૂત સંસ્કરણમાં ખૂબ સારી રીતે કાર્ય કરે છે અને, સૈદ્ધાંતિક રીતે, અમારા પર લોંચ કરી શકાય છે તૈયાર ભાડે આપેલ સર્વર. હજી તાલીમ આપવી શક્ય નથી; અત્યારે અમે ગણતરીઓ માટે CUDA સપોર્ટ સાથે વર્ચ્યુઅલ મશીનો પ્રદાન કરતા નથી, પરંતુ તમે કોઈપણ સમસ્યા વિના કંઈક 24/7 ચલાવી શકો છો. બોટ એકદમ હલકો છે, તેથી ઉપયોગમાં લેવાતા સંસાધનોની ચૂકવણી કરતી ટેરિફ લેવાનું વધુ નફાકારક રહેશે.

રિઝલ્ટ

મને લાગે છે કે હું ખૂબ જ સુંદર છું. અને મારી પાસે એક સમૃદ્ધ આંતરિક વિશ્વ છે. મને એક કલાકમાં 13 મેચ જેવું કંઈક મળ્યું. તદુપરાંત, ઘણી વખત છોકરીઓએ પ્રથમ લખ્યું.
પરિણામે, અમે ખૂબ જ સરસ સંવાદો સાથે સમાપ્ત થયા, જ્યાં મેં કહ્યું કે હું ફક્ત મશીન લર્નિંગ અને ડેટા લેબલિંગ સાથે રમવા આવ્યો છું. એક છોકરીને ખૂબ જ રસ હતો, કારણ કે તે પોતે એક વિકાસકર્તા છે. એક મજબૂત લાગણી છે કે તેણી આખરે આ પોસ્ટ Habré પર વાંચશે. હું ખરેખર આશા રાખું છું કે ઓક્સાના મારી અનામી જાળવશે. 🙂
* પંજો લહેરાવે છે અને હાય કહે છે

મુદ્દાની નૈતિક બાજુ વિશે થોડું

સાચું કહું તો, મને પુરુષો અને છોકરીઓ વચ્ચેના સંબંધોને રોબોટાઇઝ કરવાનો આખો વિચાર ગમતો નથી. એકલા ઊભેલા ઠંડા અજાણી વ્યક્તિના ખભા પર તમારું જેકેટ ફેંકવા વિશે કંઈક ખૂબ જ યોગ્ય છે. અથવા ઉનાળાના કાફેમાં કોઈ સુંદર છોકરીનો સંપર્ક કરો અને સાથે કોફી પીવો. પહેલાથી જ મોનિટરની પાછળથી બહાર નીકળો.

ઉનાળો ચારે બાજુ છે. પરિચિત થવાનો સમય છે.

સોર્સ: www.habr.com