മെഷീൻ ലേണിംഗും ടിൻഡറും ഉപയോഗിച്ച് മണിക്കൂറിൽ 13 പെൺകുട്ടികളെ എങ്ങനെ എടുക്കാം

*തീർച്ചയായും മെഷീൻ ലേണിംഗ് പഠിക്കാൻ വേണ്ടി മാത്രം. തന്റെ പ്രിയപ്പെട്ട ഭാര്യയുടെ അൽപ്പം അസംതൃപ്തമായ നോട്ടത്തിന് കീഴിൽ.

സുഷുമ്‌നാ റിഫ്ലെക്‌സുകളുടെ തലത്തിൽ ടിൻഡറിനെപ്പോലെ ലളിതമായ ഒരു പ്രയോഗവും ഒരുപക്ഷേ ഇല്ല. ഇത് ഉപയോഗിക്കുന്നതിന്, സ്വൈപ്പുചെയ്യാൻ നിങ്ങൾക്ക് ഒരു വിരലും നിങ്ങൾക്ക് ഏറ്റവും ഇഷ്ടപ്പെട്ട പെൺകുട്ടികളെയോ പുരുഷന്മാരെയോ തിരഞ്ഞെടുക്കാൻ കുറച്ച് ന്യൂറോണുകളും മാത്രമേ ആവശ്യമുള്ളൂ. ജോഡി തിരഞ്ഞെടുക്കലിൽ ബ്രൂട്ട് ഫോഴ്‌സിന്റെ അനുയോജ്യമായ നടപ്പാക്കൽ.

ഒരു പുതിയ ഗ്രാഫിക്‌സ് കാർഡിൽ മെഷീൻ ലേണിംഗിന് അൽപ്പം അനുഭവം ലഭിക്കാൻ ഇതൊരു നല്ല മാർഗമാണെന്ന് ഞാൻ തീരുമാനിച്ചു. എനിക്ക് ഒരു പുതിയ തടിച്ച സ്ത്രീ ആവശ്യമില്ലെന്ന് എന്റെ ഭാര്യയോട് വിശദീകരിക്കാൻ മാത്രമാണ് അവശേഷിക്കുന്നത്, ഞാൻ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പരിശീലിപ്പിക്കുകയാണ്.

ഡേറ്റിംഗ് നെറ്റ്‌വർക്കുകളുടെ പ്രശ്നം എന്താണ്?

അത്തരമൊരു വിഭവം ഉണ്ടായിരുന്നു - ആഷ്ലി മാഡിസൺ. "ജീവിതം ചെറുതാണ്" എന്ന മുദ്രാവാക്യത്തോടെ പ്രത്യേകം. ഒരു പ്രണയബന്ധം പുലർത്തുക." പ്രധാന പ്രേക്ഷകർ വിവാഹിതരായ പുരുഷന്മാരാണ്, വശത്ത് ഒരു ബന്ധം അന്വേഷിക്കുന്നു. ധനസമ്പാദനവും രസകരമാണ് - സ്റ്റാൻഡേർഡ് "ഇഷ്‌ടപ്പെടാനും എഴുതാനും പോയിന്റുകൾ ചെലവഴിക്കുക" എന്നതിന് പുറമേ, ഒരു ഉപയോക്താവിന്റെ അക്കൗണ്ട് ഒരു തുമ്പും കൂടാതെ ഇല്ലാതാക്കാൻ അവർ $19 ആവശ്യപ്പെട്ടു.

2015 ൽ, സൈറ്റ് സ്വാഭാവികമായും ചോർന്നു, കൂടാതെ 60 ജിബി വ്യക്തിഗത ഡാറ്റ പൊതു ഡൊമെയ്‌നിലേക്ക് ചോർന്നു. തകർന്ന നിരവധി കുടുംബങ്ങൾക്ക് പുറമേ, ഈ ചോർച്ച വിശകലന വിദഗ്ധർക്ക് രസകരമായ നിരവധി വിവരങ്ങൾ നൽകി. ഡേറ്റിംഗ് സൈറ്റുകളിൽ ധാരാളം പുരുഷന്മാർ ഉണ്ടെന്ന് ഞാൻ എപ്പോഴും സംശയിച്ചിരുന്നു, എന്നാൽ ഈ സാഹചര്യത്തിൽ അത് വളരെ രസകരമായി മാറി. പത്രപ്രവർത്തകൻ അന്നലീ ന്യൂവിറ്റ്സ് ചോർന്ന ഡാറ്റ വിശകലനം ചെയ്യുന്നു 5 ദശലക്ഷം ഉപയോക്താക്കളിൽ 12 പേർ മാത്രമാണ് യഥാർത്ഥ പെൺകുട്ടികളുടെ അക്കൗണ്ടുമായി സാമ്യമുള്ളതെന്നും പതിവായി ഉപയോഗിക്കുന്നവരാണെന്നും കണ്ടെത്തി. ബാക്കിയുള്ളവ പുരുഷ സന്ദർശകരുമായി ചാറ്റ് ചെയ്യുന്ന ബോട്ടുകൾ മാത്രമായിരുന്നു.

പുരുഷ അക്കൗണ്ടുകളോടുള്ള അത്തരം മുൻതൂക്കം ഈ ഉറവിടത്തിന് മാത്രമല്ല, മറ്റ് മിക്ക ഡേറ്റിംഗ് സൈറ്റുകൾക്കും സാധാരണമാണ്. നിങ്ങൾ ഒരു പരിചയക്കാരനെ ശ്രദ്ധാപൂർവ്വം ആസൂത്രണം ചെയ്യേണ്ടിവരുമ്പോൾ പലരും ഈ നിസ്സംശയമായും അന്യായമായ സാഹചര്യം നേരിട്ടിട്ടുണ്ടെന്ന് എനിക്ക് ഉറപ്പുണ്ട്, പക്ഷേ പെൺകുട്ടി രജിസ്റ്റർ ചെയ്യേണ്ടതുണ്ട്. ആരാധകരുടെ ഈ ആൾക്കൂട്ടത്തിന്റെ ഗുണനിലവാരം നമുക്ക് മാറ്റിവയ്ക്കാം, എന്നാൽ വിതരണത്തിന്റെയും ആവശ്യത്തിന്റെയും സന്തുലിതാവസ്ഥ പെൺകുട്ടികൾക്ക് അനുകൂലമായി മാറുന്നുവെന്നത് നിഷേധിക്കാനാവില്ല.

ടിൻഡർ ഫീച്ചർ

ലിംഗ ബന്ധങ്ങളിൽ ഏറ്റവും അനുയോജ്യമായ ക്രൂരൻ

ഈ പ്ലാറ്റ്‌ഫോമിന്റെ പ്രധാന സവിശേഷത ഒരു പരിചയക്കാരന് കുറഞ്ഞ ചിലവാണ്. രണ്ട് സ്വൈപ്പുകളുടെ യാദൃശ്ചികത മതിയാകും, നിങ്ങൾ ഇതിനകം തന്നെ രസകരമായ ഒരു വ്യക്തിയുമായി ആശയവിനിമയം നടത്തുകയാണ്. ഒരേ ലിംഗ അസന്തുലിതാവസ്ഥ മിക്ക പെൺകുട്ടികൾക്കും പ്രതിദിനം ഡസൻ കണക്കിന് മത്സരങ്ങൾ ഉണ്ടാകും എന്ന വസ്തുതയിലേക്ക് നയിക്കുന്നു എന്നതാണ് പ്രശ്നം. മറ്റ് സ്ഥാനാർത്ഥികൾക്കിടയിൽ നിങ്ങളെ ശ്രദ്ധിക്കാൻ അവർക്ക് മിക്കവാറും സമയമില്ല എന്നാണ് ഇതിനർത്ഥം.

ഒരു നീന്തൽ വസ്ത്രത്തിലെ ഫോട്ടോയിൽ നിന്ന് ഒന്നര സെക്കൻഡ് നോട്ടത്തിൽ നിന്ന് ഒരു വ്യക്തിയുടെ ആഴത്തിലുള്ള ആന്തരിക ലോകത്തെ വിലയിരുത്താനുള്ള ചെറിയ അവസരമാണ് പ്ലാറ്റ്ഫോം സൂചിപ്പിക്കുന്നതെന്ന് വ്യക്തമാണ്. അതിനാൽ, നിങ്ങളുടെ ഫോട്ടോഗ്രാഫുകളിൽ നിങ്ങൾ കേവലം ദൈവികമായി കാണുന്നില്ലെങ്കിൽ, ദത്തെടുത്ത് നിങ്ങളുടെ അവസരങ്ങൾ വർദ്ധിപ്പിക്കുകയല്ലാതെ നിങ്ങൾക്ക് മറ്റ് മാർഗമില്ല. r-തന്ത്രം ചില സ്പീഷീസുകളിൽ. ലളിതമായി പറഞ്ഞാൽ, ഞങ്ങൾ ബ്രൂട്ട് ഫോഴ്‌സ് ചെയ്യുകയും ബ്രീഡിംഗ് വിജയത്തിനുള്ള സാധ്യത വർദ്ധിപ്പിക്കുകയും ചെയ്യും. നിങ്ങൾ ചിലപ്പോൾ ഭക്ഷണവും ഉറക്കവും കൊണ്ട് വ്യതിചലിക്കേണ്ടി വരുന്നതിനാലും സ്വൈപ്പുകൾ പരിമിതമായതിനാലും, നിങ്ങളുടെ അഭിരുചിക്കനുസരിച്ച് ഏറ്റവും അനുയോജ്യമായ പെൺകുട്ടികളെയോ പുരുഷന്മാരെയോ ഓട്ടോമേഷൻ തിരഞ്ഞെടുക്കുന്നതായിരിക്കും നിങ്ങൾ തിരഞ്ഞെടുക്കുന്നത്. ചെറിയ റെഡ്ഹെഡ്സ് അല്ലെങ്കിൽ പൊക്കമുള്ള ബ്രൂണെറ്റുകൾ - ഇത് നിങ്ങളുടേതാണ്.

ഡാറ്റ ശേഖരിക്കുന്നു

ഒന്നാമതായി, സാധാരണ കൃത്യതയ്ക്കായി നിങ്ങൾക്ക് ധാരാളം ഡാറ്റ ആവശ്യമാണ്. ശരിയായി ശേഖരിച്ചതും ലേബൽ ചെയ്തതുമായ ഡാറ്റാസെറ്റ് നിർമ്മിക്കുന്നത് എത്ര ബുദ്ധിമുട്ടാണെന്ന് മെഷീൻ ലേണിംഗ് നേരിടുന്ന ആർക്കും അറിയാം. സൈദ്ധാന്തികമായി, ഇൻസ്റ്റാഗ്രാമോ മറ്റ് സോഷ്യൽ നെറ്റ്‌വർക്കുകളോ ആകട്ടെ, സമാനമായ ഏതെങ്കിലും ഉറവിടം ഒരു ഡാറ്റ ഉറവിടമായി അനുയോജ്യമാകും. എന്നാൽ ഭാവിയിൽ നെറ്റ്വർക്ക് പ്രവർത്തിക്കുന്ന ആ സാമ്പിളുകളിൽ പരിശീലിപ്പിക്കുന്നതാണ് നല്ലത്.

നമുക്ക് ശേഖരത്തെ അടിസ്ഥാനമായി എടുക്കാം ടിൻഡർ ഓട്ടോമേഷൻ. ടിൻഡറിന്റെ ഫോട്ടോകൾ എല്ലായ്‌പ്പോഴും പൊതുവായി ലഭ്യമാണ്, എന്നാൽ "ലൈക്ക്" ഫംഗ്‌ഷൻ ഇതിനകം പരിമിതമാണ്. അതിനാൽ, ദൂരത്തിനുള്ളിൽ എല്ലാ ജീവജാലങ്ങളെയും വേർതിരിച്ചെടുക്കുകയും അവയെ ശ്രദ്ധാപൂർവ്വം അടയാളപ്പെടുത്തുകയും ചെയ്യേണ്ടത് ആവശ്യമാണ്. ആദ്യം നിങ്ങൾ വളരെ ലളിതമായ ഒരു സ്ക്രിപ്റ്റ് ഉപയോഗിക്കേണ്ടതുണ്ട്:

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)

രണ്ട് ബട്ടണുകൾ ഉപയോഗിച്ച് കഴിയുന്നത്ര വേഗത്തിൽ ഡാറ്റാസെറ്റ് അടയാളപ്പെടുത്താൻ ഇത് നിങ്ങളെ അനുവദിക്കും. werkzeug ലൈബ്രറി ബാക്ക്‌വേർഡ് കോംപാറ്റിബിലിറ്റി തകർത്തു, അത് തരംതാഴ്ത്താൻ നിർബന്ധിതരാകേണ്ടി വരും എന്നതാണ് പ്രധാന പോരായ്മ. അല്ലെങ്കിൽ, അത് ഈ പിശക് എറിയുന്നു.

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'

അതിനാൽ, ആവശ്യകതകൾ.txt-ൽ നിങ്ങൾ Werkzeug==0.16.1 എഴുതേണ്ടതുണ്ട്. അപ്പോൾ അത് പറന്നുയരും.
ഈ ടോക്കൺ ലഭിക്കുന്നതാണ് രണ്ടാമത്തെ പ്രശ്നം. റിപ്പോസിറ്ററിയിൽ നിന്നുള്ള സ്റ്റാൻഡേർഡ് രീതി എനിക്ക് പ്രവർത്തിച്ചില്ല, പക്ഷേ ഡെവലപ്പർ കൺസോളിൽ നിന്ന് അത് നേടാൻ എനിക്ക് കഴിഞ്ഞു. ഇത് ചെയ്യുന്നതിന്, പോകുക ലിങ്ക് POST അഭ്യർത്ഥനയ്ക്കുള്ള പ്രതികരണം എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യുക www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1. ഉള്ളിൽ നമ്മൾ 'access_token' തിരയുന്നു. ചില കാരണങ്ങളാൽ ഇത് ആദ്യമായി പ്രവർത്തിച്ചില്ല, പക്ഷേ ഞാൻ അത് കണ്ടെത്തി സ്ക്രിപ്റ്റിലേക്ക് ഹാർഡ്കോഡ് ചെയ്തു.

ഡാറ്റാസെറ്റ് ആവശ്യകതകൾ

മെഷീൻ ലേണിംഗ് ഡാറ്റാസെറ്റുകൾക്ക് നിരവധി പ്രധാന ആവശ്യകതകൾ ഉണ്ട്:

1. പര്യാപ്തത
2. ഏകരൂപം
3. വെറൈറ്റി

ഈ സാഹചര്യത്തിൽ പര്യാപ്തതയ്ക്ക് മതിയായ മാതൃക നിർമ്മിക്കുന്നതിന് കുറഞ്ഞത് 10000 ഫോട്ടോഗ്രാഫുകൾ ആവശ്യമാണ്. അതെ, അത് ധാരാളം. ഇതാണ് യഥാർത്ഥത്തിൽ ഇത്തരം സേവനങ്ങൾ ആമസോൺ മെക്കാനിക്കൽ ടർക്ക്, ഒരു ഫീസായി നിങ്ങളുടെ ഡാറ്റാസെറ്റിന്റെ മാർക്ക്അപ്പ് മറ്റ് ആളുകൾക്ക് ഡെലിഗേറ്റ് ചെയ്യാം. മറുവശത്ത്, ചന്ദ്രന്റെ മുഖമുള്ള അത്ഭുതകരമായ ഏഷ്യൻ പെൺകുട്ടികളെ അല്ലെങ്കിൽ ഇന്ത്യൻ വേരുകളുള്ള തുല്യ സുന്ദരികളായ പെൺകുട്ടികളെ നിങ്ങളുടെ ബോട്ട് ഇഷ്ടപ്പെടണമെന്ന് നിങ്ങൾ ശരിക്കും ആഗ്രഹിക്കുന്നുണ്ടോ? എന്നിരുന്നാലും, മോഡൽ നിങ്ങളുടെ അഭിരുചിയെ പ്രതിഫലിപ്പിക്കണം.

വൈവിധ്യത്തിൽ പ്രത്യേക പ്രശ്നങ്ങളൊന്നുമില്ല; എല്ലാ ഫോട്ടോഗ്രാഫുകളും വിവിധ കോണുകളിൽ നിന്നും ലൈറ്റിംഗിൽ നിന്നും അവതരിപ്പിക്കുന്നു. ഗ്ലാസുകൾ, വസ്ത്രങ്ങൾ, നീന്തൽ വസ്ത്രങ്ങൾ, സ്കീ സ്യൂട്ടുകൾ എന്നിവയിൽ. ഡാറ്റാസെറ്റിന്റെ ഏകീകൃതതയിൽ ഒരു പ്രശ്നം ഉണ്ടാകാം. ഞങ്ങളുടെ സാമ്പിൾ ലേബൽ ചെയ്യുമ്പോൾ, അതിൽ ഏകദേശം തുല്യ ഭാഗങ്ങൾ അടങ്ങിയിരിക്കണം. നിങ്ങൾ ഒരു "വക്രമായ" ഡാറ്റാസെറ്റിൽ അവസാനിക്കുകയാണെങ്കിൽ, മറ്റ് ഉറവിടങ്ങളിൽ നിന്നുള്ള ഫോട്ടോഗ്രാഫുകൾ ഉപയോഗിച്ച് നിങ്ങൾ അത് നേർപ്പിക്കേണ്ടിവരും. നിങ്ങൾ കൂടുതൽ ആകർഷകമായവ ചേർക്കേണ്ടതുണ്ട്, അല്ലെങ്കിൽ തിരിച്ചും, മാർക്ക്അപ്പ് ഫലത്തെ അടിസ്ഥാനമാക്കി നിങ്ങൾ അവ നിർണ്ണയിക്കും. എനിക്ക് ഏകദേശം 60% ഭംഗിയുള്ള ഒന്ന് ലഭിച്ചു. ഒന്നുകിൽ ഞാൻ വളരെ ശ്രദ്ധാലുവല്ല, അല്ലെങ്കിൽ ഞാൻ ഭാഗ്യവാനാണ്, ചുറ്റും ധാരാളം സുന്ദരികളായ പെൺകുട്ടികളുണ്ട്.

അവയിൽ ധാരാളം ബോട്ടുകൾ ഉണ്ടെന്ന അനുമാനത്തെയും ഞാൻ നിരാകരിക്കുന്നില്ല. മറ്റ് ബോട്ടുകളെ ഇഷ്ടപ്പെടുന്ന ഒരു ബോട്ടിനെ ഞങ്ങൾ പരിശീലിപ്പിക്കുന്നു. ഇതിൽ ചില വിരോധാഭാസമുണ്ട്.

ഡാറ്റ പ്രോസസ്സിംഗ്

ടാഗ് ചെയ്‌ത ഒരു കൂട്ടം ഫോട്ടോകൾ ഞങ്ങളുടെ പക്കലുണ്ട്, പക്ഷേ അവ വളരെ സമ്മിശ്രമാണ്. പകൽ, രാത്രി, പിന്നിൽ നിന്നും മറ്റുള്ളവരിൽ നിന്നും. ഖേദത്തോടെ, ഒരു റിവേഴ്സ് ആംഗിളിൽ നിന്നുള്ള ഫോട്ടോഗ്രാഫുകളിൽ നിന്ന് പഠിപ്പിക്കുന്നത് പ്രത്യേകിച്ച് ഫലപ്രദമാകില്ലെന്ന് ഞാൻ മനസ്സിലാക്കുന്നു, കാരണം സാമ്പിൾ വളരെ അസമമായതായിരിക്കും. അതിനാൽ, "ക്യൂട്ട്നെസ്" എന്നതിന്റെ റഫറൻസ് ചിഹ്നമായി മുഖങ്ങൾ ഉപയോഗിക്കുന്നതാണ് ഏറ്റവും മികച്ച ഓപ്ഷൻ. ഇപ്പോഴും, ഞങ്ങൾക്ക്, മറ്റ് പ്രൈമേറ്റുകളെ സംബന്ധിച്ചിടത്തോളം, ഇത് ഒരു പ്രധാന പാരാമീറ്ററാണ്.

അതിനാൽ, നമുക്ക് ഉപയോഗിക്കാം ഹാർ കാസ്കേഡുകൾ. തെറ്റായ പോസിറ്റീവ് പിശകുകളുടെ കുറഞ്ഞ ശതമാനം ചിത്രങ്ങളിൽ മുഖങ്ങൾ കണ്ടെത്താൻ നിങ്ങളെ അനുവദിക്കുന്ന മികച്ച അൽഗോരിതം ആണിത്.

ഇത് മാനുവലിൽ കൂടുതൽ വിശദമായി വിവരിച്ചിരിക്കുന്നു ഓപ്പൺ‌സി‌വി

അടുത്ത ഘട്ടത്തിൽ, മുഖങ്ങൾ മാത്രം സാമ്പിളിൽ ഉള്ളതിന് ശേഷം, നിറം നീക്കംചെയ്യുന്നത് അർത്ഥമാക്കുന്നു. വാസ്തവത്തിൽ, നിങ്ങൾ പണ്ടോറയുടെ മനോഹരമായ നീല ഡെനിസെൻ അല്ലെങ്കിൽ പച്ച തൊലിയുള്ള സുന്ദരി തിരഞ്ഞെടുക്കാൻ പ്രയാസമാണ്.

ഉറവിടം

ഹ്യൂ ജനങ്ങളിൽ, ചർമ്മത്തിന്റെ നിറം ആകർഷണീയതയുടെ റേറ്റിംഗിൽ കാര്യമായ സംഭാവന നൽകുന്നില്ല.
അതിനാൽ, ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പ്രവർത്തനം ലളിതമാക്കുകയും ഗ്രേസ്‌കെയിൽ മാത്രം ഉപേക്ഷിക്കുകയും ചെയ്യുന്നത് മൂല്യവത്താണ്.

മാതൃകാ കെട്ടിടം

ഒരു നല്ല വീഡിയോ കാർഡും CUDA ഉം ഇല്ലാതെ, നിങ്ങൾക്ക് വേണ്ടത്ര സമയത്തിനുള്ളിൽ പരിശീലനം ലഭിച്ച ഒരു മോഡൽ ലഭിക്കില്ല എന്ന് ഞാൻ ഉടൻ തന്നെ പറയാൻ ആഗ്രഹിക്കുന്നു. അതിനാൽ, പ്രത്യേക മേഘങ്ങളിലോ പൈത്തൺ-സിയുഡിഎ ഉപയോഗിച്ചോ കണക്കുകൂട്ടലുകൾ നടത്തുക.

റിപ്പോസിറ്ററിയുടെ രചയിതാവിൽ നിന്ന് ഞാൻ ഒരു അടിസ്ഥാന മൂന്ന്-ലെയർ ഉദാഹരണം എടുത്തു, അതിശയകരമെന്നു പറയട്ടെ, അത് ഏകദേശം 72% കൃത്യത കാണിച്ചു, ഇത് വളരെ നല്ല ഫലമാണ്.

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'])

ഒരു നല്ല സാമ്പിൾ ഉണ്ടെങ്കിൽ, പ്രവർത്തനക്ഷമമായ ഒരു മോഡൽ ലഭിക്കാൻ ഇത് മതിയാകും.

നമുക്ക് ബോട്ട് ലോഞ്ച് ചെയ്യാം

ആശയം വേഗത്തിൽ പരിശോധിക്കുന്നതിനുള്ള ഒരു റെഡിമെയ്ഡ് ഓപ്ഷന് റിപ്പോസിറ്ററിയുടെ രചയിതാവിന് നന്ദി. വാസ്തവത്തിൽ, ഇത് അടിസ്ഥാന പതിപ്പിൽ നന്നായി പ്രവർത്തിക്കുന്നു, തത്വത്തിൽ, ഞങ്ങളിൽ സമാരംഭിക്കാൻ കഴിയും റെഡിമെയ്ഡ് വാടകയ്‌ക്കെടുത്ത സെർവർ. ഇതുവരെ പരിശീലിപ്പിക്കാൻ കഴിയില്ല; ഇപ്പോൾ ഞങ്ങൾ കണക്കുകൂട്ടലുകൾക്കായി CUDA പിന്തുണയുള്ള വെർച്വൽ മെഷീനുകൾ നൽകുന്നില്ല, എന്നാൽ നിങ്ങൾക്ക് ഒരു പ്രശ്നവുമില്ലാതെ 24/7 എന്തെങ്കിലും പ്രവർത്തിപ്പിക്കാൻ കഴിയും. ബോട്ട് വളരെ ഭാരം കുറഞ്ഞതാണ്, അതിനാൽ ഉപയോഗിച്ച വിഭവങ്ങൾക്ക് പണം നൽകുന്ന ഒരു താരിഫ് എടുക്കുന്നത് കൂടുതൽ ലാഭകരമായിരിക്കും.

ഫലങ്ങൾ

ഞാൻ വളരെ ക്യൂട്ട് ആണെന്ന് തോന്നുന്നു. എനിക്ക് സമ്പന്നമായ ഒരു ആന്തരിക ലോകമുണ്ട്. ഒരു മണിക്കൂറിനുള്ളിൽ എനിക്ക് 13 മത്സരങ്ങൾ ലഭിച്ചു. മാത്രമല്ല, പല തവണ പെൺകുട്ടികൾ ആദ്യം എഴുതി.
തൽഫലമായി, ഞങ്ങൾ വളരെ നല്ല ഡയലോഗുകളിൽ അവസാനിച്ചു, അവിടെ ഞാൻ മെഷീൻ ലേണിംഗും ഡാറ്റ ലേബലിംഗും കളിക്കാൻ മാത്രമാണ് വന്നത് എന്ന് ഞാൻ പറഞ്ഞു. പെൺകുട്ടികളിൽ ഒരാൾക്ക് അങ്ങേയറ്റം താൽപ്പര്യമുണ്ടായിരുന്നു, കാരണം അവൾ സ്വയം ഒരു ഡവലപ്പർ ആണ്. അവൾ ഒടുവിൽ ഹബ്രെയിലെ ഈ പോസ്റ്റ് വായിക്കുമെന്ന ശക്തമായ വികാരമുണ്ട്. ഒക്സാന എന്റെ അജ്ഞാതത്വം നിലനിർത്തുമെന്ന് ഞാൻ ശരിക്കും പ്രതീക്ഷിക്കുന്നു. 🙂
* കൈ വീശി ഹായ് പറയുന്നു

പ്രശ്നത്തിന്റെ ധാർമ്മിക വശത്തെക്കുറിച്ച് അൽപ്പം

സത്യം പറഞ്ഞാൽ, പുരുഷന്മാരും പെൺകുട്ടികളും തമ്മിലുള്ള ബന്ധം റോബോട്ടൈസ് ചെയ്യുന്നതിനുള്ള മുഴുവൻ ആശയവും എനിക്ക് ഇഷ്ടമല്ല. ഒറ്റയ്ക്ക് നിൽക്കുന്ന ഒരു തണുത്ത അപരിചിതന്റെ തോളിൽ നിങ്ങളുടെ ജാക്കറ്റ് എറിയുന്നതിൽ വളരെ ശരിയായ കാര്യമുണ്ട്. അല്ലെങ്കിൽ ഒരു വേനൽക്കാല കഫേയിൽ സുന്ദരിയായ ഒരു പെൺകുട്ടിയെ സമീപിച്ച് ഒരുമിച്ച് കാപ്പി കുടിക്കുക. ഇതിനകം മോണിറ്ററുകൾക്ക് പിന്നിൽ നിന്ന് പുറത്തുകടക്കുക.

ചുറ്റും വേനൽക്കാലമാണ്. പരിചയപ്പെടാൻ സമയമായി.

അവലംബം: www.habr.com