*Að sjálfsögðu til að læra vélanám. Undir örlítið óánægju augnaráði ástkærrar eiginkonu sinnar.
Það er líklega engin umsókn eins einföld á stigi mænuviðbragða og Tinder. Til þess að nota það þarftu aðeins einn fingur til að strjúka og nokkrar taugafrumur til að velja stelpurnar eða karlmennina sem þér líkar best við. Tilvalin útfærsla á skepnukrafti í paravali.
Ég ákvað að þetta væri góð leið til að fá smá tilfinningu fyrir vélanámi á nýju skjákorti. Það eina sem er eftir er að útskýra fyrir konunni minni að ég þurfi ekki nýja feitari konu og ég er bara að þjálfa taugakerfi.
Hvað er vandamálið með stefnumótakerfi?
Það var til slík úrræði - Ashley Madison. Sérstakt, með slagorðinu „Lífið er stutt. Vertu í ástarsambandi." Aðaláhorfendur eru giftir karlmenn sem leita að ástarsambandi við hliðina. Tekjuöflun er líka skemmtileg - auk venjulegs „eyða stigum til að líka við og skrifa,“ báðu þeir um $19 til að eyða reikningi notanda án þess að rekja spor.
Árið 2015 leki síðan náttúrulega og 60 GB af persónulegum gögnum láku inn á almenning. Auk margra eyðilagðra fjölskyldna veitti þessi leki sérfræðingum margar áhugaverðar upplýsingar. Mig grunaði alltaf að það væru miklu fleiri karlmenn á stefnumótasíðum, en í þessu tilfelli reyndist það mjög áhugavert. Blaðamaður Annalee Newitz komst að því að af 5 milljón notendum voru aðeins 12 svipaðir og alvöru stelpureikningar og voru notaðir reglulega. Restin voru bara vélmenni sem spjölluðu við karlkyns gesti.
Slíkur yfirgangur gagnvart karlkyns reikningum er dæmigerður, ekki aðeins fyrir þetta úrræði, heldur einnig fyrir flestar aðrar stefnumótasíður. Ég er viss um að margir hafa lent í þessu eflaust ósanngjarna ástandi, þegar þarf að skipuleggja kynni vel, en stelpan þarf bara að skrá sig. Sleppum gæðum þessa hóps aðdáenda til hliðar, en staðreyndin er óumdeilanleg að jafnvægið milli framboðs og eftirspurnar hefur greinilega færst stelpunum í hag.
Tinder eiginleiki
Tilvalinn grimmur valdhafi í samskiptum kynjanna
Helsti eiginleiki þessa vettvangs er lítill kostnaður á hvern kunningja. Tilviljun tveggja högga er nóg og þú ert nú þegar í samskiptum við hugsanlega áhugaverðan mann. Vandamálið er að sama kynjaójafnvægið leiðir til þess að flestar stúlkur munu hafa tugi leikja á dag. Þetta þýðir að þeir munu líklegast ekki hafa tíma til að veita þér athygli meðal annarra frambjóðenda.
Það er alveg ljóst að pallurinn felur í sér lítið tækifæri til að meta djúpan innri heim manneskju út frá einnar og hálfri sekúndu sýn á mynd í sundfötum eða að keyra tískulitaðan bíl. Þess vegna, ef þú lítur ekki einfaldlega guðdómlega út á myndunum þínum, hefurðu ekkert val en að auka líkurnar þínar með því að ættleiða í sumum tegundum. Einfaldlega sagt, við munum grípa af krafti og taka inn magn til að auka líkur okkar á velgengni í ræktun. Þar sem þú þarft stundum að vera annars hugar af mat og svefni, og högg eru takmörkuð, muntu líklega kjósa að sjálfvirkni velji stelpurnar eða karlmennina sem henta þínum smekk best. Stuttir rauðhærðir eða háar brunettes - það er undir þér komið.
Gagnaöflun
Fyrst af öllu þarftu mikið af gögnum fyrir eðlilega nákvæmni. Allir sem hafa lent í vélanámi vita hversu erfitt það getur verið að framleiða rétt safnað og merkt gagnasafn. Fræðilega séð mun hvaða hliðstæð auðlind henta sem gagnagjafi, hvort sem það er Instagram eða önnur samfélagsnet. En það er best að þjálfa á þeim sýnum sem netið mun vinna á í framtíðinni.
Við skulum taka geymsluna til grundvallar . Myndir Tinder eru alltaf aðgengilegar almenningi, en „like“ aðgerðin er nú þegar takmörkuð. Þess vegna er nauðsynlegt að draga út allar lífverur innan radíusins og merkja þær vandlega. Fyrst þarftu að nota frekar einfalt handrit:
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)
Það gerir þér kleift að merkja gagnasafnið eins fljótt og auðið er með aðeins tveimur hnöppum. Lykilgallan liggur í þeirri staðreynd að werkzeug bókasafnið hefur rofið afturábak eindrægni og verður að neyðast til að lækka það. Annars kastar það þessari villu.
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'
Þess vegna þarftu að skrifa Werkzeug==0.16.1 í requirements.txt. Þá fer það í loftið.
Annað vandamálið er að fá einmitt þetta tákn. Staðlaða aðferðin úr geymslunni virkaði ekki fyrir mig, en mér tókst að ná í hana frá þróunarborðinu. Til að gera þetta, farðu til og draga út svarið við POST beiðninni í . Inni við leitum að 'access_token'. Einhverra hluta vegna virkaði það ekki í fyrsta skiptið, en svo fann ég það og harðkóða það inn í handritið.
Kröfur um gagnasafn
Það eru nokkrar lykilkröfur fyrir gagnasöfn fyrir vélanám:
- Fullnægjandi
- Einsleitni
- Fjölbreytni
Fullnægjandi í þessu tilfelli krefst að minnsta kosti 10000 ljósmynda til að búa til viðunandi líkan. Já, það er mikið. Þetta er í raun ástæðan fyrir þjónustu eins og , þar sem þú getur framselt merkingu gagnasafns þíns til annarra gegn gjaldi. Á hinn bóginn, viltu virkilega að botninn þinn líkar við dásamlegar asískar stúlkur með tungl-andlit eða jafn fallegar stúlkur með indverskar rætur? Samt ætti líkanið að endurspegla smekk þinn.
Það eru engin sérstök vandamál með fjölbreytni; allar ljósmyndir eru settar fram frá ýmsum sjónarhornum og lýsingu. Í gleraugu, kjólum, sundfötum og skíðafötum. Vandamál geta komið upp með einsleitni gagnasafnsins. Helst, þegar við merkjum sýnishornið okkar, ætti það að samanstanda af um það bil jöfnum hlutum. Ef þú endar með „skekkt“ gagnasafn þarftu að þynna það út með ljósmyndum frá öðrum aðilum. Þú þarft að bæta við meira aðlaðandi, eða öfugt, þú munt ákvarða þá út frá álagningarniðurstöðunni. Ég fékk eitthvað í kringum 60% fallegt. Annað hvort er ég ekki of vandlátur, eða ég er bara heppinn og það eru fullt af fallegum stelpum í kring.
Ég geri heldur ekki lítið úr þeirri tilgátu að það séu margir vélmenni meðal þeirra. Við þjálfum vélmenni sem mun líka við aðra vélmenni. Það er einhver kaldhæðni í þessu.
Gagnavinnsla
Við erum með fullt af merktum myndum en þær eru mjög blandaðar. Dagur, nótt, aftan frá og aðrir. Með eftirsjá skil ég að kennsla úr ljósmyndum frá öfugu sjónarhorni muni ekki vera sérstaklega áhrifarík, þar sem sýnishornið verður mjög misjafnt. Þess vegna væri besti kosturinn að nota andlit sem tilvísunarmerki um „sætleika“. Samt sem áður, fyrir okkur, eins og fyrir aðra prímata, er þetta lykilatriði.
Þess vegna skulum við nota . Þetta er frábært reiknirit sem gerir þér kleift að finna andlit á myndum með lágu hlutfalli af fölskum jákvæðum villum.
Þessu er lýst nánar í handbókinni
Á næsta stigi, eftir að aðeins andlit eru í sýninu, er skynsamlegt að fjarlægja lit. Reyndar þarftu varla að velja á milli fallega bláa tígulsins Pandóru eða fegurðarinnar með græna hörund.
Hjá Hue fólki skiptir húðlitur ekki marktækt framlag til einkunna um aðdráttarafl.
Þess vegna er það þess virði að einfalda vinnu taugakerfisins og skilja aðeins eftir grátóna.
Fyrirmyndarbygging
Ég vil segja strax að án góðs skjákorts og CUDA muntu líklegast einfaldlega ekki fá þjálfaða fyrirmynd í hæfilegum tíma. Þess vegna skaltu strax miða við útreikninga í sérhæfðum skýjum eða nota python-CUDA.
Ég tók undirstöðu þriggja laga dæmi frá höfundi geymslunnar og, furðu, sýndi það nákvæmni upp á um 72%, sem er nokkuð góður árangur.
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'])
Ef það er gott sýnishorn, þá gæti það vel verið nóg til að fá framkvæmanlegt líkan.
Við skulum ræsa botann
Þökk sé höfundi geymslunnar fyrir tilbúinn valkost til að prófa hugmyndina fljótt. Reyndar virkar það nokkuð vel í grunnútgáfunni og er í grundvallaratriðum hægt að setja það á okkar . Það verður ekki hægt að þjálfa ennþá; eins og er bjóðum við ekki sýndarvélar með CUDA stuðning fyrir útreikninga, en þú getur keyrt eitthvað 24/7 án vandræða. Botninn er frekar léttur, svo það væri arðbærara að taka gjaldskrá sem borgar fyrir auðlindirnar sem notaðar eru.
Niðurstöður
Ég býst við að ég sé mjög sætur. Og ég á ríkan innri heim. Ég fékk eitthvað eins og 13 eldspýtur innan klukkutíma. Þar að auki, nokkrum sinnum skrifuðu stelpurnar fyrst.
Fyrir vikið enduðum við með mjög fínar samræður þar sem ég sagði að ég kæmi eingöngu til að leika mér með vélanám og gagnamerkingar. Ein stúlknanna var mjög áhugasöm þar sem hún er sjálf verktaki. Það er sterk tilfinning að hún muni á endanum lesa þessa færslu á Habré. Ég vona svo sannarlega að Oksana haldi nafnleynd minni. 🙂
*veifar loppu og segir hæ
Smá um siðferðilega hlið málsins
Til að vera heiðarlegur, mér líkar ekki við alla hugmyndina um að vélfæra sambönd milli karla og stúlkna. Það er eitthvað mjög rétt við það að henda jakkanum yfir axlir köldu ókunnugs manns sem stendur einn. Eða nálgast fallega stelpu á sumarkaffihúsi og drekka kaffi saman. Farðu nú þegar á bak við skjáina.
Sumarið er allt um kring. Það er kominn tími til að kynnast.
Heimild: www.habr.com