機械学習とTinderを使って13時間にXNUMX人の女の子をナンパする方法

*もちろん、純粋に機械学習を学ぶためです。 愛する妻の少し不満げな視線の下で。

おそらく、Tinder ほど脊髄反射レベルでシンプルなアプリケーションはありません。 これを使用するには、XNUMX 本の指でスワイプするだけで、いくつかのニューロンを使用して、最も好みの女性または男性を選択できます。 ペア選択におけるブルートフォースの理想的な実装。

これは、新しいグラフィックス カードでの機械学習の感触を少し得るのに良い方法だと判断しました。 残っているのは、妻に、新たに太った女性は必要なく、私はニューラルネットワークを訓練しているだけだということを説明することだけです。

出会い系ネットワークの問題点は何ですか?

そのようなリソースがありました - アシュリー・マディソン。 具体的には、「人生は短い。 不倫してよ。」 主な視聴者は、副業を探している既婚男性です。 収益化も楽しいです。標準的な「いいねや書き込みにポイントを使う」ことに加えて、ユーザーのアカウントを痕跡なく削除するには 19 ドルを要求しました。

2015 年にこのサイトは自然に漏洩し、60 GB の個人データがパブリック ドメインに漏洩しました。 多くの家族が破壊されたことに加えて、このリークはアナリストに多くの興味深い情報を提供しました。 出会い系サイトにはもっと多くの男性がいるのではないかといつも思っていましたが、今回のケースでは非常に興味深いことが分かりました。 ジャーナリスト アナリー・ニューウィッツ 漏洩したデータを分析する 5 万人のユーザーのうち、本物の女の子のアカウントに似ていて定期的に使用されているのは 12 人だけであることがわかりました。 残りは男性の訪問者とチャットするボットだけでした。

男性アカウントに対するこのような優位性は、このリソースだけでなく、他のほとんどの出会い系サイトでも典型的です。 知り合いを作るために慎重に計画しなければならないのに、女の子は登録するだけでいいという、この間違いなく不公平な状況に遭遇したことがある人は多いと思います。 この群衆のファンの質はさておき、需要と供給のバランスが明らかに彼女たちに有利にシフトしているという事実は否定できません。

火口機能

男女関係における理想的な暴力者

このプラットフォームの主な特徴は、知人あたりのコストが低いことです。 XNUMX 回のスワイプが偶然発生するだけで十分で、あなたはすでに潜在的に興味深い相手とコミュニケーションを取っていることになります。 問題は、同性間の不均衡により、ほとんどの女の子が XNUMX 日に数十回も試合をすることになるということです。 これは、彼らが他の候補者の中であなたに注意を払う時間がない可能性が高いことを意味します。

このプラットフォームが、水着の写真やファッショナブルな色のついた車の運転を XNUMX 秒半見ただけで、人の深い内面の世界を評価する機会がほとんどないことは明らかです。 したがって、写真で単純に神っぽく見えない場合は、次のことを採用してチャンスを増やすしかありません。 R戦略 いくつかの種では。 簡単に言うと、繁殖成功の可能性を高めるために、力ずくで大量に摂取することになります。 食事や睡眠に気を取られることもあり、スワイプも制限されているため、おそらく、自分の好みに最も合う女の子または男性を自動で選択することを好むでしょう。 背の低い赤毛も、背の高いブルネットも、それはあなた次第です。

データの収集

まず、通常の精度を得るには大量のデータが必要です。 機械学習に遭遇したことがある人なら誰でも、正しく収集されラベル付けされたデータセットを生成することがいかに難しいかを知っているでしょう。 理論的には、Instagram やその他のソーシャル ネットワークなど、同様のリソースであればデータ ソースとして適しています。 ただし、ネットワークが将来機能するサンプルでトレーニングすることが最善です。

リポジトリをベースにしてみましょう 火口の自動化。 Tinder の写真は常に公開されていますが、「いいね」機能はすでに制限されています。 したがって、半径内のすべての生き物を抽出し、注意深くマークする必要があります。 まず、非常に単純なスクリプトを使用する必要があります。

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)

XNUMX つのボタンだけでできるだけ早くデータセットをマークアップできます。 重要な落とし穴は、werkzeug ライブラリが下位互換性を失っており、強制的にダウングレードしなければならないという事実にあります。 それ以外の場合は、このエラーがスローされます。

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'

したがって、requirements.txt に Werkzeug==0.16.1 と記述する必要があります。 そうすれば離陸します。
XNUMX 番目の問題は、このトークンを取得することです。 リポジトリからの標準的な方法は私にとってはうまくいきませんでしたが、開発者コンソールからはなんとか取得できました。 これを行うには、次の場所に移動します リンク そして、POSTリクエストに対するレスポンスを抽出します。 www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1。 内部で「access_token」を探します。 何らかの理由で最初は機能しませんでしたが、その後それを見つけてスクリプトにハードコードしました。

データセットの要件

機械学習データセットにはいくつかの重要な要件があります。

1. 妥当性
2. 均一
3. 多様性

この場合、適切なモデルを構築するには少なくとも 10000 枚の写真が必要です。 はい、それはたくさんあります。 実際、これが次のようなサービスの理由です Amazon Mechanical Turk、有料で、データセットのマークアップを他の人に委任できます。 一方で、ボットに満面の笑みを浮かべた素晴らしいアジアの女の子を好きになってもらいたいですか、それともインドのルーツを持つ同様に美しい女の子を好きになってもらいたいですか? それでも、モデルにはあなたの好みが反映されている必要があります。

多様性に特に問題はなく、すべての写真がさまざまな角度や照明から提示されています。 メガネ、ドレス、水着、スキースーツで。 データセットの均一性に問題が発生する可能性があります。 理想的には、サンプルにラベルを付けるときは、ほぼ同じ部分から構成されている必要があります。 データセットが「歪んだ」結果になった場合は、他のソースからの写真を使用してデータセットを薄める必要があります。 より魅力的なものを追加する必要があります。逆に、マークアップの結果に基づいてそれらを決定します。 60％くらいのきれいなものができました。 私はあまり好き嫌いがないか、それともただ幸運で周りにかわいい女の子がたくさんいるかのどちらかです。

また、その中にはボットが多数存在するという仮説も無視しません。 他のボットを好むボットをトレーニングします。 これには皮肉が込められています。

データ処理

タグ付けされた写真はたくさんありますが、それらは非常に複雑です。 昼、夜、後ろからなど。 残念ながら、サンプルの凹凸が非常に大きいため、逆角度からの写真からの指導はあまり効果的ではないことは理解しています。 したがって、「かわいい」の基準として顔を使用するのが最善の選択肢です。 それでも、他の霊長類と同様に、私たちにとって、これは重要なパラメーターです。

したがって、使用しましょう ハール滝。 これは、誤検知エラーの割合が低い状態で画像内の顔を検出できる優れたアルゴリズムです。

これについてはマニュアルに詳しく説明されています OpenCV

次の段階では、サンプルに顔だけが含まれたら、色を削除するのが合理的です。 実際、パンドラの美しい青い住人か、緑の肌の美しさのどちらかを選ぶ必要はほとんどありません。

ソース

色相の人々では、肌の色は魅力の評価に大きく寄与しません。
したがって、ニューラルネットワークの作業を簡素化し、グレースケールのみを残す価値があります。

モデル構築

すぐに言いたいのは、優れたビデオ カードと CUDA がなければ、十分な時間内にトレーニングされたモデルを取得できない可能性が高いということです。 したがって、すぐに特化したクラウドまたは python-CUDA を使用した計算を目指します。

リポジトリの作成者から基本的な 72 層の例を取り上げましたが、驚くべきことに、その精度は約 XNUMX% であり、非常に良好な結果でした。

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'])

適切なサンプルがあれば、実行可能なモデルを取得するのに十分である可能性があります。

ボットを起動しましょう

アイデアを迅速にテストするための既製のオプションを提供してくれたリポジトリの作成者に感謝します。 実際、基本バージョンでは非常にうまく機能し、原則として、私たちのバージョンで起動できます。 既製のレンタルサーバー。 まだトレーニングはできません。現時点では、計算用の CUDA サポートを備えた仮想マシンは提供されていませんが、問題なく 24 時間年中無休で何かを実行することができます。 ボットは非常に軽量であるため、使用したリソースに対して料金を支払うほうが収益性が高くなります。

結果

私はとてもかわいいと思います。 そして私は豊かな内なる世界を持っています。 13時間以内にXNUMX件ほどマッチしました。 さらに、女の子が最初に書いたことが何度かありました。
その結果、私たちは機械学習とデータのラベル付けを行うためだけに来たと述べた、非常に素晴らしい対話になりました。 女の子の XNUMX 人は、彼女自身が開発者であるため、非常に興味を持っていました。 彼女は最終的にハブレに関するこの投稿を読むだろうという強い予感があります。 オクサナが私の匿名性を維持してくれることを心から願っています。 🙂
*手を振って挨拶する

この問題の倫理的側面について少し

正直に言うと、私は男性と女性の関係をロボット化するというアイデア自体が好きではありません。 一人で立っている冷たい見知らぬ人の肩にジャケットを掛けることは、非常に正しいことです。 または、夏のカフェでかわいい女の子に近づき、一緒にコーヒーを飲みます。 もうモニターの後ろから出てください。

あたりは夏です。 知り合いになる時期が来ました。

出所： habr.com