기계 학습과 Tinder를 사용하여 시간당 13명의 소녀를 데리러 오는 방법

*물론 기계 학습을 공부하기 위해서만. 사랑하는 아내의 약간 불쾌한 시선 아래.

틴더만큼 척추반사 수준까지 간단한 적용은 아마 없을 것입니다. 그것을 사용하려면 한 손가락으로 스 와이프하고 일부 뉴런으로 가장 좋아하는 소녀 또는 남성을 선택하십시오. 쌍을 선택할 때 무차별 대입의 이상적인 구현.

나는 이것이 새로운 그래픽 카드에서 기계 학습의 맛을 조금 얻을 수 있는 좋은 방법이라고 생각했습니다. 남은 것은 더 두꺼운 새 여성이 필요하지 않지만 신경망을 훈련시키는 것일 뿐이라고 아내에게 설명하는 것입니다.

데이트 네트워크의 문제점

그런 자원이있었습니다 - Ashley Madison. “인생은 짧다. 바람피다 주요 청중은 부업을 찾는 기혼 남성입니다. 수익 창출도 재미 있습니다. 표준 "좋아요 및 쓰기에 포인트 사용"외에도 추적없이 사용자 계정을 삭제하기 위해 $ 19를 요청했습니다.

2015년 사이트가 자연스레 유출되면서 60GB의 개인정보가 퍼블릭 도메인으로 유출됐다. 많은 파괴된 가족 외에도 이 유출은 분석가들에게 많은 흥미로운 정보를 제공했습니다. 나는 항상 데이트 사이트에 훨씬 더 많은 남자들이 있다고 의심했지만, 이 경우 꽤 흥미로웠다. 애널리 뉴비츠 기자 유출 데이터 분석 5백만 명의 사용자 중 12명만이 실제 소녀 계정처럼 보이고 정기적으로 사용된다는 사실을 발견했습니다. 나머지는 남성 방문자와 상호 작용하는 봇이었습니다.

남성 계정에 대한 이러한 우세는 이 리소스뿐만 아니라 대부분의 다른 데이트 사이트에서도 일반적입니다. 지인에 대해 신중하게 생각해야하고 소녀는 등록 만하면되는이 의심 할 여지없이 불공평 한 상황을 많이 접했을 것입니다. 이 팬 군중의 질은 제쳐두고 사실은 부인할 수 없으며 수요와 공급의 균형이 분명히 소녀들에게 유리하게 이동했습니다.

틴더 기능

젠더 관계에서 이상적인 무차별 대입

이 플랫폼의 주요 특징은 지인당 저렴한 비용입니다. 두 번의 스 와이프의 일치로 충분하며 이미 잠재적으로 흥미로운 사람과 이야기하고 있습니다. 문제는 같은 성별 불균형이 대부분의 소녀들이 하루에 수십 개의 성냥을 갖게 된다는 사실로 이어진다는 것입니다. 이것은 그들이 다른 후보자들 사이에서 당신에게 관심을 기울일 시간이 없을 가능성이 높다는 것을 의미합니다.

플랫폼이 수영복 차림의 사진을 XNUMX초 동안 보거나 트렌디한 착색 자동차를 운전함으로써 사람의 깊은 내면 세계를 평가할 기회가 거의 없다는 것은 분명합니다. 따라서 사진에서 단순히 신성하게 보이지 않는다면 입양을 통해 확률을 높일 수밖에 없습니다. r 전략 일부 종에서는. 간단히 말해서, 우리는 육종 성공의 기회를 높이기 위해 무차별 대입하고 양을 늘릴 것입니다. 때때로 음식과 수면으로 주의가 산만해지고 스 와이프가 제한되기 때문에 자동화가 귀하의 취향에 가장 적합한 소녀 또는 남성을 선택하는 것을 선호할 것입니다. 작은 빨간 머리 또는 키가 큰 갈색 머리 - 이것은 당신에게 달려 있습니다.

데이터 수집

우선 정상적인 정확도를 위해서는 많은 데이터가 필요합니다. 기계 학습을 다루어 본 사람이라면 누구나 올바르게 조합되고 레이블이 지정된 데이터 세트를 입력하는 것이 얼마나 어려운지 알고 있습니다. 이론적으로 Instagram이나 다른 소셜 네트워크와 같은 유사한 리소스는 데이터 소스로 적합합니다. 그러나 미래에 네트워크가 작동할 샘플에 대해 학습하는 것이 가장 좋습니다.

저장소를 기초로 삼자 틴더 자동화. Tinder의 사진은 항상 공개되지만 "좋아요" 기능은 이미 제한되어 있습니다. 따라서 반경 내의 모든 생물을 추출하여 신중하게 표시해야 합니다. 시작하려면 매우 간단한 스크립트를 사용해야 합니다.

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)

단 두 개의 버튼으로 가능한 한 빨리 데이터 세트를 마크업할 수 있습니다. 주요 함정은 werkzeug 라이브러리가 이전 버전과의 호환성을 깨뜨리고 강제로 다운그레이드해야 한다는 것입니다. 그렇지 않으면 이 오류가 발생합니다.

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'

따라서 werkzeug==0.16.1은 requirements.txt에 작성해야 합니다. 그러면 이륙합니다.
두 번째 문제는 바로 이 토큰을 얻는 것입니다. 저장소의 표준 방법은 나에게 적합하지 않았지만 개발자 콘솔에서 얻을 수 있었습니다. 이렇게 하려면 다음으로 이동하십시오. 링크 POST 요청에 대한 응답을 www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1. 내부에서 'access_token'을 찾고 있습니다. 어떤 이유로 처음에는 작동하지 않았지만 나중에 찾아서 스크립트에 하드코딩했습니다.

데이터 세트 요구 사항

기계 학습 데이터 세트에는 몇 가지 주요 요구 사항이 있습니다.

1. 적절
2. 일률
3. 다양성

이 경우 충분하려면 적절한 모델을 구축하기 위해 최소 10000장의 사진이 필요합니다. 예, 많이 있습니다. 그래서 다음과 같은 서비스가 있습니다. 아마존 기계 터크, 유료로 데이터 세트의 마크업을 다른 사람에게 아웃소싱할 수 있습니다. 반면에 봇이 아름다운 달빛 얼굴의 아시아 소녀를 좋아하게 하시겠습니까, 아니면 인도에 뿌리를 둔 똑같이 아름다운 소녀를 좋아하게 하시겠습니까? 그래도 모델은 귀하의 취향을 정확히 반영해야 합니다.

다양성에는 특별한 문제가 없으며 모든 사진은 다양한 각도와 조명으로 제공됩니다. 안경, 드레스, 수영복, 스키복. 데이터 세트의 균일성으로 인해 문제가 발생할 수 있습니다. 이상적으로는 샘플을 마크업할 때 거의 동일한 부분으로 구성되어야 합니다. "비뚤어진" 데이터 세트가 있는 경우 다른 소스의 사진으로 희석해야 합니다. 더 예쁜 것을 추가해야 하거나 그 반대의 경우도 마크업 결과에 따라 결정됩니다. 나는 60% 귀여운 영역에서 뭔가를 얻었다. 내가 너무 까다롭지 않거나 운이 좋아서 주변에 예쁜 여자가 많다.

나는 또한 그들 사이에 많은 봇이 있다는 가설을 무시하지 않습니다. 우리는 다른 봇을 좋아할 봇을 훈련시킵니다. 여기에는 약간의 아이러니가 있습니다.

데이터 처리

태그가 지정된 사진이 많이 있지만 매우 혼합되어 있습니다. 낮, 밤, 등 뒤에서. 유감스럽게도 샘플이 매우 고르지 않기 때문에 반대 각도에서 사진을 훈련하는 것이 특별히 불가능하다는 것을 이해합니다. 따라서 가장 좋은 선택은 얼굴을 "예쁨"의 기준 기호로 사용하는 것입니다. 여전히 우리에게는 다른 영장류와 마찬가지로 이것이 핵심 매개 변수입니다.

따라서 우리는 하르 폭포. 이 알고리즘은 잘못된 긍정 오류 비율이 낮은 이미지에서 얼굴을 찾을 수 있는 뛰어난 알고리즘입니다.

대한 설명서에 자세히 설명되어 있습니다. OpenCV

다음 단계에서는 샘플에 얼굴만 포함된 후 색상을 제거하는 것이 좋습니다. 사실, 아름다운 파란색 판도라 여성과 녹색 피부 미인 중에서 선택해야 할 가능성은 거의 없습니다.

출처

Hue 피플의 경우 피부색 매개변수는 귀여움 점수에 크게 기여하지 않습니다.
따라서 신경망의 작업을 단순화하고 그레이스케일만 남겨둘 가치가 있습니다.

모델 구축

좋은 비디오 카드와 CUDA가 없으면 적절한 시간 내에 훈련된 모델을 얻을 수 없을 가능성이 높다는 점을 바로 말씀드리고 싶습니다. 따라서 특수 클라우드 또는 python-CUDA를 사용하여 즉시 계산을 목표로 합니다.

리포지토리 작성자의 기본 72계층 예제를 가져왔는데 놀랍게도 약 XNUMX%의 정확도를 보여 상당히 좋은 결과를 보였습니다.

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'])

좋은 샘플이 있으면 실행 가능한 모델을 얻는 데 충분할 수 있습니다.

봇 실행

아이디어를 신속하게 테스트할 수 있는 기성품 저장소 작성자에게 감사드립니다. 실제로 기본 버전에서 매우 잘 작동하며 원칙적으로 당사에서 시작할 수 있습니다. 준비된 임대 서버. 아직 훈련할 수는 없습니다. 현재로서는 계산을 위한 CUDA 지원이 있는 가상 머신을 제공하지 않지만 문제 없이 연중무휴 작업을 실행할 수 있습니다. 봇은 매우 가볍기 때문에 사용한 리소스에 대한 지불로 관세를 부과하는 것이 더 유리할 것입니다.

조사 결과

나는 매우 귀여울 것입니다. 그리고 나는 풍부한 내면 세계를 가지고 있습니다. 한 시간 안에 13경기 지역에서 무언가를 얻었습니다. 또한 소녀들이 먼저 여러 번 썼습니다.
그 결과 기계 학습과 데이터 마크업만 하려고 왔다는 아주 좋은 대화를 얻었습니다. 소녀 중 한 명은 자신이 개발자이기 때문에 매우 관심이 많았습니다. 그녀가 결국 Habré에서 이 게시물을 읽을 것이라는 강한 느낌이 있습니다. Oksana가 내 익명을 유지하기를 정말로 바랍니다. 🙂
*손을 흔들며 인사한다.

문제의 윤리적 측면에 대해 조금

솔직히 말해서 나는 남자와 여자 사이의 관계를 로봇화한다는 생각이 전혀 마음에 들지 않습니다. 홀로 서 있는 얼어붙은 이방인의 어깨에 재킷을 걸쳐주는 것은 매우 옳은 일입니다. 또는 여름 카페에서 예쁜 소녀에게 다가가 함께 커피를 마신다. 모니터 뒤에서 나가십시오.

여름쯤. 친해질 시간입니다.

출처 : habr.com