ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಟಿಂಡರ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಗಂಟೆಗೆ 13 ಹುಡುಗಿಯರನ್ನು ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡುವುದು

*ಸಂಪೂರ್ಣವಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಕಲಿಕೆಗಾಗಿ, ಸಹಜವಾಗಿ. ತನ್ನ ಪ್ರೀತಿಯ ಹೆಂಡತಿಯ ಸ್ವಲ್ಪ ಅತೃಪ್ತ ನೋಟದ ಅಡಿಯಲ್ಲಿ.

ಟಿಂಡರ್‌ನಂತೆ ಬೆನ್ನುಮೂಳೆಯ ಪ್ರತಿವರ್ತನಗಳ ಮಟ್ಟಕ್ಕೆ ಸರಳವಾದ ಯಾವುದೇ ಅಪ್ಲಿಕೇಶನ್ ಬಹುಶಃ ಇಲ್ಲ. ಇದನ್ನು ಬಳಸಲು, ನೀವು ಸ್ವೈಪ್ ಮಾಡಲು ಕೇವಲ ಒಂದು ಬೆರಳು ಮತ್ತು ನೀವು ಇಷ್ಟಪಡುವ ಹುಡುಗಿಯರು ಅಥವಾ ಪುರುಷರನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಕೆಲವು ನ್ಯೂರಾನ್‌ಗಳು ಮಾತ್ರ ಬೇಕಾಗುತ್ತದೆ. ಜೋಡಿ ಆಯ್ಕೆಯಲ್ಲಿ ವಿವೇಚನಾರಹಿತ ಶಕ್ತಿಯ ಆದರ್ಶ ಅನುಷ್ಠಾನ.

ಹೊಸ ಗ್ರಾಫಿಕ್ಸ್ ಕಾರ್ಡ್‌ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಸ್ವಲ್ಪ ಅನುಭವವನ್ನು ಪಡೆಯಲು ಇದು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ ಎಂದು ನಾನು ನಿರ್ಧರಿಸಿದೆ. ನನಗೆ ಹೊಸ ದಪ್ಪ ಮಹಿಳೆ ಅಗತ್ಯವಿಲ್ಲ ಎಂದು ನನ್ನ ಹೆಂಡತಿಗೆ ವಿವರಿಸಲು ಮಾತ್ರ ಉಳಿದಿದೆ, ಮತ್ತು ನಾನು ಕೇವಲ ನರಗಳ ಜಾಲಗಳಿಗೆ ತರಬೇತಿ ನೀಡುತ್ತಿದ್ದೇನೆ.

ಡೇಟಿಂಗ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಸಮಸ್ಯೆ ಏನು?

ಅಂತಹ ಸಂಪನ್ಮೂಲವಿತ್ತು - ಆಶ್ಲೇ ಮ್ಯಾಡಿಸನ್. ನಿರ್ದಿಷ್ಟ, ಘೋಷಣೆಯೊಂದಿಗೆ “ಜೀವನ ಚಿಕ್ಕದಾಗಿದೆ. ಅಫೇರ್ ಮಾಡಿ." ಮುಖ್ಯ ಪ್ರೇಕ್ಷಕರು ವಿವಾಹಿತ ಪುರುಷರು ಬದಿಯಲ್ಲಿ ಸಂಬಂಧವನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ. ಹಣಗಳಿಕೆಯು ಸಹ ವಿನೋದಮಯವಾಗಿದೆ - ಸ್ಟ್ಯಾಂಡರ್ಡ್ "ಇಷ್ಟಪಡಲು ಮತ್ತು ಬರೆಯಲು ಪಾಯಿಂಟ್ಗಳನ್ನು ಖರ್ಚು ಮಾಡಿ" ಜೊತೆಗೆ ಅವರು ಬಳಕೆದಾರರ ಖಾತೆಯನ್ನು ಯಾವುದೇ ಗುರುತು ಇಲ್ಲದೆ ಅಳಿಸಲು $19 ಅನ್ನು ಕೇಳಿದರು.

2015 ರಲ್ಲಿ, ಸೈಟ್ ಸ್ವಾಭಾವಿಕವಾಗಿ ಸೋರಿಕೆಯಾಯಿತು ಮತ್ತು 60 GB ವೈಯಕ್ತಿಕ ಡೇಟಾ ಸಾರ್ವಜನಿಕ ಡೊಮೇನ್‌ಗೆ ಸೋರಿಕೆಯಾಯಿತು. ಅನೇಕ ನಾಶವಾದ ಕುಟುಂಬಗಳ ಜೊತೆಗೆ, ಈ ಸೋರಿಕೆಯು ವಿಶ್ಲೇಷಕರಿಗೆ ಬಹಳಷ್ಟು ಆಸಕ್ತಿದಾಯಕ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಿದೆ. ಡೇಟಿಂಗ್ ಸೈಟ್‌ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಪುರುಷರು ಇದ್ದಾರೆ ಎಂದು ನಾನು ಯಾವಾಗಲೂ ಅನುಮಾನಿಸುತ್ತಿದ್ದೆ, ಆದರೆ ಈ ಸಂದರ್ಭದಲ್ಲಿ ಅದು ಸಾಕಷ್ಟು ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ. ಪತ್ರಕರ್ತೆ ಅನ್ನಾಲೀ ನ್ಯೂವಿಟ್ಜ್ ಸೋರಿಕೆಯಾದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು 5 ಮಿಲಿಯನ್ ಬಳಕೆದಾರರಲ್ಲಿ, ಕೇವಲ 12 ನೈಜ ಹುಡುಗಿಯರ ಖಾತೆಗಳನ್ನು ಹೋಲುತ್ತವೆ ಮತ್ತು ನಿಯಮಿತವಾಗಿ ಬಳಸಲಾಗುತ್ತಿತ್ತು. ಉಳಿದವು ಕೇವಲ ಪುರುಷ ಸಂದರ್ಶಕರೊಂದಿಗೆ ಚಾಟ್ ಮಾಡುವ ಬಾಟ್‌ಗಳಾಗಿದ್ದವು.

ಪುರುಷ ಖಾತೆಗಳ ಕಡೆಗೆ ಇಂತಹ ಪ್ರಾಧಾನ್ಯತೆಯು ಈ ಸಂಪನ್ಮೂಲಕ್ಕೆ ಮಾತ್ರವಲ್ಲ, ಇತರ ಡೇಟಿಂಗ್ ಸೈಟ್‌ಗಳಿಗೂ ವಿಶಿಷ್ಟವಾಗಿದೆ. ನೀವು ಪರಿಚಯವನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಯೋಜಿಸಬೇಕಾದಾಗ ಅನೇಕರು ಈ ನಿಸ್ಸಂದೇಹವಾಗಿ ಅನ್ಯಾಯದ ಪರಿಸ್ಥಿತಿಯನ್ನು ಎದುರಿಸಿದ್ದಾರೆ ಎಂದು ನನಗೆ ಖಾತ್ರಿಯಿದೆ, ಆದರೆ ಹುಡುಗಿ ಕೇವಲ ನೋಂದಾಯಿಸಿಕೊಳ್ಳಬೇಕು. ಈ ಅಭಿಮಾನಿಗಳ ಗುಂಪಿನ ಗುಣಮಟ್ಟವನ್ನು ಬದಿಗಿಡೋಣ, ಆದರೆ ಪೂರೈಕೆ ಮತ್ತು ಬೇಡಿಕೆಯ ಸಮತೋಲನವು ಹುಡುಗಿಯರ ಪರವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿ ಬದಲಾಗಿದೆ ಎಂಬ ಅಂಶವನ್ನು ನಿರಾಕರಿಸಲಾಗದು.

ಟಿಂಡರ್ ವೈಶಿಷ್ಟ್ಯ

ಲಿಂಗ ಸಂಬಂಧಗಳಲ್ಲಿ ಆದರ್ಶ ವಿವೇಚನಾರಹಿತ ಶಕ್ತಿ

ಈ ವೇದಿಕೆಯ ಮುಖ್ಯ ಲಕ್ಷಣವೆಂದರೆ ಪರಿಚಯಸ್ಥರಿಗೆ ಕಡಿಮೆ ವೆಚ್ಚ. ಎರಡು ಸ್ವೈಪ್‌ಗಳ ಕಾಕತಾಳೀಯತೆ ಸಾಕು ಮತ್ತು ನೀವು ಈಗಾಗಲೇ ಸಂಭಾವ್ಯ ಆಸಕ್ತಿದಾಯಕ ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುತ್ತಿದ್ದೀರಿ. ಸಮಸ್ಯೆಯೆಂದರೆ ಅದೇ ಲಿಂಗ ಅಸಮತೋಲನವು ಹೆಚ್ಚಿನ ಹುಡುಗಿಯರು ದಿನಕ್ಕೆ ಡಜನ್ಗಟ್ಟಲೆ ಪಂದ್ಯಗಳನ್ನು ಹೊಂದಿರುತ್ತಾರೆ ಎಂಬ ಅಂಶಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. ಇದರರ್ಥ ಅವರು ಇತರ ಅಭ್ಯರ್ಥಿಗಳ ನಡುವೆ ನಿಮ್ಮ ಬಗ್ಗೆ ಗಮನ ಹರಿಸಲು ಸಮಯವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ.

ಈಜುಡುಗೆಯಲ್ಲಿನ ಫೋಟೋದಲ್ಲಿ ಅಥವಾ ಫ್ಯಾಶನ್ ಟಿಂಟೆಡ್ ಕಾರನ್ನು ಚಾಲನೆ ಮಾಡುವಾಗ ಒಂದೂವರೆ ಸೆಕೆಂಡ್ ನೋಟದಿಂದ ವ್ಯಕ್ತಿಯ ಆಳವಾದ ಆಂತರಿಕ ಪ್ರಪಂಚವನ್ನು ನಿರ್ಣಯಿಸಲು ವೇದಿಕೆಯು ಕಡಿಮೆ ಅವಕಾಶವನ್ನು ಸೂಚಿಸುತ್ತದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಆದ್ದರಿಂದ, ನಿಮ್ಮ ಛಾಯಾಚಿತ್ರಗಳಲ್ಲಿ ನೀವು ಸರಳವಾಗಿ ದೈವಿಕವಾಗಿ ಕಾಣದಿದ್ದರೆ, ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಮೂಲಕ ನಿಮ್ಮ ಅವಕಾಶಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದನ್ನು ಬಿಟ್ಟು ನಿಮಗೆ ಬೇರೆ ದಾರಿಯಿಲ್ಲ ಆರ್-ತಂತ್ರ ಕೆಲವು ಜಾತಿಗಳಲ್ಲಿ. ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ನಾವು ಬ್ರೂಟ್ ಫೋರ್ಸ್ ಮತ್ತು ಸಂತಾನೋತ್ಪತ್ತಿಯ ಯಶಸ್ಸಿನ ಸಾಧ್ಯತೆಗಳನ್ನು ಹೆಚ್ಚಿಸಲು ಪರಿಮಾಣವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ನೀವು ಕೆಲವೊಮ್ಮೆ ಆಹಾರ ಮತ್ತು ನಿದ್ರೆಯಿಂದ ವಿಚಲಿತರಾಗಬೇಕಾಗಿರುವುದರಿಂದ ಮತ್ತು ಸ್ವೈಪ್‌ಗಳು ಸೀಮಿತವಾಗಿರುವುದರಿಂದ, ನಿಮ್ಮ ಅಭಿರುಚಿಗೆ ಸೂಕ್ತವಾದ ಹುಡುಗಿಯರು ಅಥವಾ ಪುರುಷರನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲು ನೀವು ಬಹುಶಃ ಆದ್ಯತೆ ನೀಡುತ್ತೀರಿ. ಸಣ್ಣ ಕೆಂಪು ಕೂದಲುಳ್ಳವರು ಅಥವಾ ಎತ್ತರದ ಶ್ಯಾಮಲೆಗಳು - ಇದು ನಿಮಗೆ ಬಿಟ್ಟದ್ದು.

ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು

ಮೊದಲನೆಯದಾಗಿ, ಸಾಮಾನ್ಯ ನಿಖರತೆಗಾಗಿ ನಿಮಗೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಬೇಕಾಗುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಎದುರಿಸಿದ ಯಾರಿಗಾದರೂ ಸರಿಯಾಗಿ ಸಂಗ್ರಹಿಸಿದ ಮತ್ತು ಲೇಬಲ್ ಮಾಡಿದ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವುದು ಎಷ್ಟು ಕಷ್ಟ ಎಂದು ತಿಳಿದಿದೆ. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, ಇನ್‌ಸ್ಟಾಗ್ರಾಮ್ ಅಥವಾ ಇತರ ಸಾಮಾಜಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳಾಗಿರಲಿ, ಯಾವುದೇ ರೀತಿಯ ಸಂಪನ್ಮೂಲವು ಡೇಟಾ ಮೂಲವಾಗಿ ಸೂಕ್ತವಾಗಿರುತ್ತದೆ. ಆದರೆ ಭವಿಷ್ಯದಲ್ಲಿ ನೆಟ್ವರ್ಕ್ ಕೆಲಸ ಮಾಡುವ ಆ ಮಾದರಿಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡುವುದು ಉತ್ತಮ.

ರೆಪೊಸಿಟರಿಯನ್ನು ಆಧಾರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳೋಣ ಟಿಂಡರ್ ಆಟೊಮೇಷನ್. ಟಿಂಡರ್‌ನ ಫೋಟೋಗಳು ಯಾವಾಗಲೂ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುತ್ತವೆ, ಆದರೆ "ಇಷ್ಟ" ಕಾರ್ಯವು ಈಗಾಗಲೇ ಸೀಮಿತವಾಗಿದೆ. ಆದ್ದರಿಂದ, ತ್ರಿಜ್ಯದೊಳಗೆ ಎಲ್ಲಾ ಜೀವಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಅವುಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಗುರುತಿಸಲು ಅವಶ್ಯಕ. ಮೊದಲು ನೀವು ಸರಳವಾದ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬಳಸಬೇಕಾಗುತ್ತದೆ:

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)

ಕೇವಲ ಎರಡು ಬಟನ್‌ಗಳೊಂದಿಗೆ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಗುರುತಿಸಲು ಇದು ನಿಮ್ಮನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ವರ್ಕ್‌ಝುಗ್ ಲೈಬ್ರರಿಯು ಹಿಂದುಳಿದ ಹೊಂದಾಣಿಕೆಯನ್ನು ಮುರಿದಿದೆ ಮತ್ತು ಅದನ್ನು ಡೌನ್‌ಗ್ರೇಡ್ ಮಾಡಲು ಒತ್ತಾಯಿಸಬೇಕಾಗುತ್ತದೆ ಎಂಬ ಅಂಶದಲ್ಲಿ ಪ್ರಮುಖ ಅಪಾಯವಿದೆ. ಇಲ್ಲದಿದ್ದರೆ ಅದು ಈ ದೋಷವನ್ನು ಎಸೆಯುತ್ತದೆ.

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'

ಆದ್ದರಿಂದ, requirements.txt ನಲ್ಲಿ ನೀವು Werkzeug==0.16.1 ಅನ್ನು ಬರೆಯಬೇಕಾಗಿದೆ. ನಂತರ ಅದು ಟೇಕಾಫ್ ಆಗುತ್ತದೆ.
ಎರಡನೆಯ ಸಮಸ್ಯೆಯೆಂದರೆ ಈ ಟೋಕನ್ ಅನ್ನು ಪಡೆಯುವುದು. ರೆಪೊಸಿಟರಿಯಿಂದ ಪ್ರಮಾಣಿತ ವಿಧಾನವು ನನಗೆ ಕೆಲಸ ಮಾಡಲಿಲ್ಲ, ಆದರೆ ನಾನು ಅದನ್ನು ಡೆವಲಪರ್ ಕನ್ಸೋಲ್ನಿಂದ ಪಡೆಯಲು ನಿರ್ವಹಿಸುತ್ತಿದ್ದೆ. ಇದನ್ನು ಮಾಡಲು, ಹೋಗಿ ಲಿಂಕ್ ಮತ್ತು POST ವಿನಂತಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಹೊರತೆಗೆಯಿರಿ www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1. ಒಳಗೆ ನಾವು 'access_token' ಅನ್ನು ಹುಡುಕುತ್ತೇವೆ. ಕೆಲವು ಕಾರಣಗಳಿಂದ ಇದು ಮೊದಲ ಬಾರಿಗೆ ಕೆಲಸ ಮಾಡಲಿಲ್ಲ, ಆದರೆ ನಂತರ ನಾನು ಅದನ್ನು ಕಂಡುಕೊಂಡೆ ಮತ್ತು ಅದನ್ನು ಸ್ಕ್ರಿಪ್ಟ್‌ಗೆ ಹಾರ್ಡ್‌ಕೋಡ್ ಮಾಡಿದೆ.

ಡೇಟಾಸೆಟ್ ಅವಶ್ಯಕತೆಗಳು

ಯಂತ್ರ ಕಲಿಕೆ ಡೇಟಾಸೆಟ್‌ಗಳಿಗೆ ಹಲವಾರು ಪ್ರಮುಖ ಅವಶ್ಯಕತೆಗಳಿವೆ:

1. ಸಮರ್ಪಕತೆ
2. ಏಕರೂಪತೆ
3. ವಿವಿಧ

ಸಾಕಷ್ಟು ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ಈ ಸಂದರ್ಭದಲ್ಲಿ ಸಾಕಷ್ಟಿಗೆ ಕನಿಷ್ಠ 10000 ಛಾಯಾಚಿತ್ರಗಳು ಬೇಕಾಗುತ್ತವೆ. ಹೌದು, ಅದು ಬಹಳಷ್ಟು. ಇದು ವಾಸ್ತವವಾಗಿ ಏಕೆ ಸೇವೆಗಳು ಇಷ್ಟಪಡುತ್ತವೆ ಅಮೆಜಾನ್ ಮೆಕ್ಯಾನಿಕಲ್ ಟರ್ಕ್, ಅಲ್ಲಿ ಶುಲ್ಕಕ್ಕಾಗಿ ನೀವು ಇತರ ಜನರಿಗೆ ನಿಮ್ಮ ಡೇಟಾಸೆಟ್‌ನ ಮಾರ್ಕ್‌ಅಪ್ ಅನ್ನು ನಿಯೋಜಿಸಬಹುದು. ಮತ್ತೊಂದೆಡೆ, ನಿಮ್ಮ ಬೋಟ್ ಅದ್ಭುತವಾದ ಚಂದ್ರನ ಮುಖದ ಏಷ್ಯಾದ ಹುಡುಗಿಯರನ್ನು ಅಥವಾ ಭಾರತೀಯ ಬೇರುಗಳನ್ನು ಹೊಂದಿರುವ ಅಷ್ಟೇ ಸುಂದರ ಹುಡುಗಿಯರನ್ನು ಇಷ್ಟಪಡಬೇಕೆಂದು ನೀವು ನಿಜವಾಗಿಯೂ ಬಯಸುತ್ತೀರಾ? ಆದಾಗ್ಯೂ, ಮಾದರಿಯು ನಿಮ್ಮ ಅಭಿರುಚಿಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸಬೇಕು.

ವೈವಿಧ್ಯತೆಯೊಂದಿಗೆ ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗಳಿಲ್ಲ; ಎಲ್ಲಾ ಛಾಯಾಚಿತ್ರಗಳನ್ನು ವಿವಿಧ ಕೋನಗಳು ಮತ್ತು ಬೆಳಕಿನಿಂದ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ. ಕನ್ನಡಕ, ಉಡುಪುಗಳು, ಈಜುಡುಗೆಗಳು ಮತ್ತು ಸ್ಕೀ ಸೂಟ್‌ಗಳಲ್ಲಿ. ಡೇಟಾಸಮೂಹದ ಏಕರೂಪತೆಯೊಂದಿಗೆ ಸಮಸ್ಯೆ ಉದ್ಭವಿಸಬಹುದು. ತಾತ್ತ್ವಿಕವಾಗಿ, ನಾವು ನಮ್ಮ ಮಾದರಿಯನ್ನು ಲೇಬಲ್ ಮಾಡಿದಾಗ, ಅದು ಸರಿಸುಮಾರು ಸಮಾನ ಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿರಬೇಕು. ನೀವು "ಓರೆಯಾದ" ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಕೊನೆಗೊಂಡರೆ, ನೀವು ಅದನ್ನು ಇತರ ಮೂಲಗಳಿಂದ ಛಾಯಾಚಿತ್ರಗಳೊಂದಿಗೆ ದುರ್ಬಲಗೊಳಿಸಬೇಕಾಗುತ್ತದೆ. ನೀವು ಹೆಚ್ಚು ಆಕರ್ಷಕವಾದವುಗಳನ್ನು ಸೇರಿಸುವ ಅಗತ್ಯವಿದೆ, ಅಥವಾ ಪ್ರತಿಯಾಗಿ, ಮಾರ್ಕ್ಅಪ್ ಫಲಿತಾಂಶದ ಆಧಾರದ ಮೇಲೆ ನೀವು ಅವುಗಳನ್ನು ನಿರ್ಧರಿಸುತ್ತೀರಿ. ನಾನು ಸುಮಾರು 60% ಸುಂದರವಾದದ್ದನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ. ಒಂದೋ ನಾನು ತುಂಬಾ ಮೆಚ್ಚದವನಲ್ಲ, ಅಥವಾ ನಾನು ಅದೃಷ್ಟಶಾಲಿ ಮತ್ತು ಸುತ್ತಲೂ ಸಾಕಷ್ಟು ಸುಂದರ ಹುಡುಗಿಯರಿದ್ದಾರೆ.

ಅವುಗಳಲ್ಲಿ ಹಲವು ಬಾಟ್‌ಗಳಿವೆ ಎಂಬ ಊಹೆಯನ್ನು ನಾನು ಕಡಿಮೆ ಮಾಡುವುದಿಲ್ಲ. ನಾವು ಇತರ ಬಾಟ್‌ಗಳನ್ನು ಇಷ್ಟಪಡುವ ಬೋಟ್‌ಗೆ ತರಬೇತಿ ನೀಡುತ್ತೇವೆ. ಇದರಲ್ಲಿ ಸ್ವಲ್ಪ ವಿಪರ್ಯಾಸವಿದೆ.

ಮಾಹಿತಿ ಸಂಸ್ಕರಣೆ

ನಾವು ಟ್ಯಾಗ್ ಮಾಡಲಾದ ಫೋಟೋಗಳ ಗುಂಪನ್ನು ಹೊಂದಿದ್ದೇವೆ, ಆದರೆ ಅವುಗಳು ತುಂಬಾ ಮಿಶ್ರವಾಗಿವೆ. ಹಗಲು, ರಾತ್ರಿ, ಹಿಂದಿನಿಂದ ಮತ್ತು ಇತರರಿಂದ. ವಿಷಾದದಿಂದ, ರಿವರ್ಸ್ ಕೋನದಿಂದ ಛಾಯಾಚಿತ್ರಗಳಿಂದ ಬೋಧನೆಯು ನಿರ್ದಿಷ್ಟವಾಗಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿರುವುದಿಲ್ಲ ಎಂದು ನಾನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ, ಏಕೆಂದರೆ ಮಾದರಿಯು ತುಂಬಾ ಅಸಮವಾಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, "ಮುದ್ದಾದ" ದ ಉಲ್ಲೇಖದ ಚಿಹ್ನೆಯಾಗಿ ಮುಖಗಳನ್ನು ಬಳಸುವುದು ಉತ್ತಮ ಆಯ್ಕೆಯಾಗಿದೆ. ಇನ್ನೂ, ನಮಗೆ, ಇತರ ಸಸ್ತನಿಗಳಂತೆ, ಇದು ಪ್ರಮುಖ ನಿಯತಾಂಕವಾಗಿದೆ.

ಆದ್ದರಿಂದ, ಬಳಸೋಣ ಹಾರ್ ಕ್ಯಾಸ್ಕೇಡ್ಗಳು. ಇದು ಅತ್ಯುತ್ತಮ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಕಡಿಮೆ ಶೇಕಡಾವಾರು ತಪ್ಪು ಧನಾತ್ಮಕ ದೋಷಗಳೊಂದಿಗೆ ಚಿತ್ರಗಳಲ್ಲಿ ಮುಖಗಳನ್ನು ಹುಡುಕಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

ಇದನ್ನು ಕೈಪಿಡಿಯಲ್ಲಿ ಹೆಚ್ಚು ವಿವರವಾಗಿ ವಿವರಿಸಲಾಗಿದೆ ಓಪನ್‌ಸಿವಿ

ಮುಂದಿನ ಹಂತದಲ್ಲಿ, ಮಾದರಿಯಲ್ಲಿ ಮುಖಗಳು ಮಾತ್ರ ಇದ್ದ ನಂತರ, ಬಣ್ಣವನ್ನು ತೆಗೆದುಹಾಕಲು ಇದು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ. ವಾಸ್ತವವಾಗಿ, ನೀವು ಪಂಡೋರಾ ಅವರ ಸುಂದರವಾದ ನೀಲಿ ಡೆನಿಜೆನ್ ಅಥವಾ ಹಸಿರು ಚರ್ಮದ ಸೌಂದರ್ಯದ ನಡುವೆ ಆಯ್ಕೆ ಮಾಡಬೇಕಾಗಿಲ್ಲ.

ಮೂಲ

ಹ್ಯೂ ಜನರಲ್ಲಿ, ಚರ್ಮದ ಬಣ್ಣವು ಆಕರ್ಷಣೆಯ ರೇಟಿಂಗ್‌ಗಳಿಗೆ ಗಮನಾರ್ಹ ಕೊಡುಗೆ ನೀಡುವುದಿಲ್ಲ.
ಆದ್ದರಿಂದ, ನರಮಂಡಲದ ಕೆಲಸವನ್ನು ಸರಳಗೊಳಿಸುವ ಮತ್ತು ಕೇವಲ ಗ್ರೇಸ್ಕೇಲ್ ಅನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು ಯೋಗ್ಯವಾಗಿದೆ.

ಮಾದರಿ ಕಟ್ಟಡ

ಉತ್ತಮ ವೀಡಿಯೊ ಕಾರ್ಡ್ ಮತ್ತು CUDA ಇಲ್ಲದೆ, ನೀವು ಸಾಕಷ್ಟು ಸಮಯದಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಪಡೆಯುವುದಿಲ್ಲ ಎಂದು ನಾನು ಈಗಿನಿಂದಲೇ ಹೇಳಲು ಬಯಸುತ್ತೇನೆ. ಆದ್ದರಿಂದ, ವಿಶೇಷ ಮೋಡಗಳಲ್ಲಿ ಅಥವಾ ಪೈಥಾನ್-ಸಿಯುಡಿಎ ಬಳಸಿ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ತಕ್ಷಣವೇ ಗುರಿಪಡಿಸಿ.

ನಾನು ರೆಪೊಸಿಟರಿಯ ಲೇಖಕರಿಂದ ಮೂಲಭೂತ ಮೂರು-ಪದರದ ಉದಾಹರಣೆಯನ್ನು ತೆಗೆದುಕೊಂಡಿದ್ದೇನೆ ಮತ್ತು ಆಶ್ಚರ್ಯಕರವಾಗಿ, ಇದು ಸುಮಾರು 72% ನಷ್ಟು ನಿಖರತೆಯನ್ನು ತೋರಿಸಿದೆ, ಇದು ಸಾಕಷ್ಟು ಉತ್ತಮ ಫಲಿತಾಂಶವಾಗಿದೆ.

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'])

ಉತ್ತಮ ಮಾದರಿ ಇದ್ದರೆ, ಕಾರ್ಯಸಾಧ್ಯವಾದ ಮಾದರಿಯನ್ನು ಪಡೆಯಲು ಅದು ಸಾಕಾಗಬಹುದು.

ಬೋಟ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸೋಣ

ಕಲ್ಪನೆಯನ್ನು ತ್ವರಿತವಾಗಿ ಪರೀಕ್ಷಿಸಲು ಸಿದ್ಧವಾದ ಆಯ್ಕೆಗಾಗಿ ರೆಪೊಸಿಟರಿಯ ಲೇಖಕರಿಗೆ ಧನ್ಯವಾದಗಳು. ವಾಸ್ತವವಾಗಿ, ಇದು ಮೂಲ ಆವೃತ್ತಿಯಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ತಾತ್ವಿಕವಾಗಿ, ನಮ್ಮ ಮೇಲೆ ಪ್ರಾರಂಭಿಸಬಹುದು ರೆಡಿಮೇಡ್ ಬಾಡಿಗೆ ಸರ್ವರ್. ಇದು ಇನ್ನೂ ತರಬೇತಿ ನೀಡಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ; ಈ ಸಮಯದಲ್ಲಿ ನಾವು ಲೆಕ್ಕಾಚಾರಗಳಿಗೆ CUDA ಬೆಂಬಲದೊಂದಿಗೆ ವರ್ಚುವಲ್ ಯಂತ್ರಗಳನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ, ಆದರೆ ನೀವು ಯಾವುದೇ ಸಮಸ್ಯೆಗಳಿಲ್ಲದೆ 24/7 ಅನ್ನು ಚಲಾಯಿಸಬಹುದು. ಬೋಟ್ ಸಾಕಷ್ಟು ಹಗುರವಾಗಿದೆ, ಆದ್ದರಿಂದ ಬಳಸಿದ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಪಾವತಿಸುವ ಸುಂಕವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಹೆಚ್ಚು ಲಾಭದಾಯಕವಾಗಿದೆ.

ರೆಸೆಲ್ಯೂಟ್ಸ್

ನಾನು ತುಂಬಾ ಮುದ್ದಾಗಿದ್ದೇನೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಮತ್ತು ನಾನು ಶ್ರೀಮಂತ ಆಂತರಿಕ ಪ್ರಪಂಚವನ್ನು ಹೊಂದಿದ್ದೇನೆ. ನಾನು ಒಂದು ಗಂಟೆಯೊಳಗೆ 13 ಪಂದ್ಯಗಳನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ. ಇದಲ್ಲದೆ, ಹಲವಾರು ಬಾರಿ ಹುಡುಗಿಯರು ಮೊದಲು ಬರೆದರು.
ಪರಿಣಾಮವಾಗಿ, ನಾವು ಬಹಳ ಸುಂದರವಾದ ಸಂಭಾಷಣೆಗಳೊಂದಿಗೆ ಕೊನೆಗೊಂಡಿದ್ದೇವೆ, ಅಲ್ಲಿ ನಾನು ಕೇವಲ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಡೇಟಾ ಲೇಬಲಿಂಗ್‌ನೊಂದಿಗೆ ಆಡಲು ಬಂದಿದ್ದೇನೆ ಎಂದು ಹೇಳಿದೆ. ಹುಡುಗಿಯರಲ್ಲಿ ಒಬ್ಬರು ತುಂಬಾ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದರು, ಏಕೆಂದರೆ ಅವಳು ಸ್ವತಃ ಡೆವಲಪರ್ ಆಗಿದ್ದಳು. ಅವರು ಅಂತಿಮವಾಗಿ ಹಬ್ರೆಯಲ್ಲಿ ಈ ಪೋಸ್ಟ್ ಅನ್ನು ಓದುತ್ತಾರೆ ಎಂಬ ಬಲವಾದ ಭಾವನೆ ಇದೆ. ಒಕ್ಸಾನಾ ನನ್ನ ಅನಾಮಧೇಯತೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ನಾನು ನಿಜವಾಗಿಯೂ ಭಾವಿಸುತ್ತೇನೆ. 🙂
* ಪಂಜವನ್ನು ಬೀಸುತ್ತಾ ಹಾಯ್ ಎಂದು ಹೇಳುತ್ತಾರೆ

ಸಮಸ್ಯೆಯ ನೈತಿಕ ಭಾಗದ ಬಗ್ಗೆ ಸ್ವಲ್ಪ

ನಿಜ ಹೇಳಬೇಕೆಂದರೆ, ಪುರುಷರು ಮತ್ತು ಹುಡುಗಿಯರ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ರೋಬೋಟ್ ಮಾಡುವ ಸಂಪೂರ್ಣ ಕಲ್ಪನೆಯನ್ನು ನಾನು ಇಷ್ಟಪಡುವುದಿಲ್ಲ. ಏಕಾಂಗಿಯಾಗಿ ನಿಂತಿರುವ ತಣ್ಣನೆಯ ಅಪರಿಚಿತರ ಭುಜದ ಮೇಲೆ ನಿಮ್ಮ ಜಾಕೆಟ್ ಅನ್ನು ಎಸೆಯುವಲ್ಲಿ ಏನಾದರೂ ಸರಿಯಾಗಿದೆ. ಅಥವಾ ಬೇಸಿಗೆಯ ಕೆಫೆಯಲ್ಲಿ ಸುಂದರ ಹುಡುಗಿಯನ್ನು ಸಂಪರ್ಕಿಸಿ ಮತ್ತು ಒಟ್ಟಿಗೆ ಕಾಫಿ ಕುಡಿಯಿರಿ. ಈಗಾಗಲೇ ಮಾನಿಟರ್‌ಗಳ ಹಿಂದಿನಿಂದ ಹೊರಬನ್ನಿ.

ಸುತ್ತಲೂ ಬೇಸಿಗೆ. ಇದು ಪರಿಚಯ ಮಾಡಿಕೊಳ್ಳುವ ಸಮಯ.

ಮೂಲ: www.habr.com