मेसिन लर्निङ र टिन्डर प्रयोग गरेर प्रति घण्टा १३ केटीहरू कसरी उठाउने

*विशुद्ध रूपमा मेसिन लर्निङ सिक्ने खातिर। आफ्नी प्रिय पत्नीको अलिकति असन्तुष्ट नजर अन्तर्गत।

स्पाइनल रिफ्लेक्सको स्तरमा टिन्डर जत्तिकै सरल अनुप्रयोग सम्भवतः छैन। यसलाई प्रयोग गर्नको लागि, तपाईलाई स्वाइप गर्नको लागि एउटा औँला र तपाईलाई मनपर्ने केटीहरू वा पुरुषहरू छनौट गर्न केही न्यूरोन्स मात्र चाहिन्छ। जोडी चयन मा क्रूर बल को एक आदर्श कार्यान्वयन।

मैले निर्णय गरें कि यो नयाँ ग्राफिक्स कार्डमा मेसिन लर्निङको लागि थोरै अनुभव प्राप्त गर्ने राम्रो तरिका हो। मेरो श्रीमतीलाई बुझाउन बाँकी छ कि मलाई नयाँ मोटी महिला चाहिँदैन, र म केवल न्यूरल नेटवर्कहरू प्रशिक्षण गर्दैछु।

डेटिङ नेटवर्कको समस्या के हो?

त्यहाँ यस्तो स्रोत थियो - एशले मैडिसन। विशिष्ट, नारा संग "जीवन छोटो छ। अफेयर होस् ।" मुख्य श्रोता विवाहित पुरुषहरू छन् जो छेउमा सम्बन्ध खोजिरहेका छन्। मुद्रीकरण पनि रमाइलो छ - मानक "लाइक गर्न र लेख्न बिन्दुहरू खर्च गर्नुहोस्" को अतिरिक्त, तिनीहरूले ट्रेस बिना प्रयोगकर्ताको खाता मेटाउन $ 19 मागे।

2015 मा, साइट स्वाभाविक रूपमा लीक भयो र 60 GB व्यक्तिगत डाटा सार्वजनिक डोमेनमा लीक भयो। धेरै ध्वस्त परिवारहरूको अतिरिक्त, यो लीकले विश्लेषकहरूलाई धेरै रोचक जानकारी प्रदान गर्यो। मलाई सधैं शंका लाग्थ्यो कि डेटिङ साइटहरूमा धेरै पुरुषहरू छन्, तर यस अवस्थामा यो धेरै रोचक हुन पुग्यो। पत्रकार अन्नाली न्यूट्ज लीक डाटा विश्लेषण ५० लाख प्रयोगकर्ताहरूमध्ये १२,००० मात्र वास्तविक केटीको खातासँग मिल्दोजुल्दो र नियमित रूपमा प्रयोग हुने गरेको पत्ता लाग्यो। बाँकी केवल बटहरू थिए जसले पुरुष आगन्तुकहरूसँग च्याट गर्थे।

पुरुष खाताहरूप्रति यस्तो प्रबलता यो स्रोतको लागि मात्र होइन, तर धेरै अन्य डेटिङ साइटहरूको लागि पनि सामान्य छ। म पक्का छु कि धेरैले यो निस्सन्देह अनुचित अवस्थाको सामना गरेका छन्, जब तपाइँ सावधानीपूर्वक एक परिचित योजना बनाउनु पर्छ, तर केटीले मात्र दर्ता गर्न आवश्यक छ। फ्यानहरूको यो भीडको गुणस्तरलाई छाडौं, तर यो तथ्य निर्विवाद छ कि आपूर्ति र मागको सन्तुलन स्पष्ट रूपमा केटीहरूको पक्षमा सरेको छ।

टिन्डर सुविधा

लैङ्गिक सम्बन्ध मा आदर्श क्रूर बल

यस प्लेटफर्मको मुख्य विशेषता प्रति परिचित कम लागत हो। दुईवटा स्वाइपको संयोग पर्याप्त छ र तपाइँ पहिले नै सम्भावित चाखलाग्दो व्यक्तिसँग कुराकानी गर्दै हुनुहुन्छ। समस्या यो हो कि समान लिङ्ग असन्तुलनले यस तथ्यलाई निम्त्याउँछ कि अधिकांश केटीहरू प्रति दिन दर्जनौं मिलान हुनेछन्। यसको मतलब यो हो कि तिनीहरूसँग सम्भवतः अन्य उम्मेद्वारहरू बीचमा तपाईलाई ध्यान दिनको लागि समय हुँदैन।

यो एकदम स्पष्ट छ कि प्लेटफर्मले स्विमसूटमा फोटो वा फेसनबल टिन्टेड कार ड्राइभिङमा डेढ सेकेन्ड झलकबाट व्यक्तिको गहिरो भित्री संसारको मूल्याङ्कन गर्ने थोरै अवसरलाई संकेत गर्दछ। तसर्थ, यदि तपाईं आफ्नो फोटोहरूमा केवल ईश्वरीय देखिनुहुन्न भने, तपाईंसँग अपनाउने मौकाहरू बढाउनु बाहेक अर्को विकल्प छैन। आर-रणनीति केही प्रजातिहरूमा। सरल शब्दमा भन्नुपर्दा, हामी प्रजनन सफलताको सम्भावना बढाउनको लागि क्रूर बल र मात्रामा लिनेछौं। तपाईंले कहिलेकाहीं खाना र निद्राबाट विचलित हुनु पर्ने हुनाले, र स्वाइपहरू सीमित छन्, तपाईंले सायद स्वचालनले केटीहरू वा पुरुषहरू छनौट गर्न रुचाउनुहुनेछ जुन तपाईंको स्वाद अनुरूप हुन्छ। छोटो रेडहेड्स वा अग्लो ब्रुनेट्स - यो तपाईं माथि छ।

डाटा संकलन गर्दै

सबै भन्दा पहिले, तपाईंलाई सामान्य शुद्धताको लागि धेरै डाटा चाहिन्छ। मेसिन लर्निङको सामना गर्ने जो कोहीलाई थाहा छ कि सही तरिकाले सङ्कलन गरिएको र लेबल गरिएको डाटासेट उत्पादन गर्न कत्ति गाह्रो हुन सक्छ। सैद्धान्तिक रूपमा, कुनै पनि समान स्रोत डेटा स्रोतको रूपमा उपयुक्त हुनेछ, यो Instagram वा अन्य सामाजिक सञ्जालहरू। तर ती नमूनाहरूमा तालिम दिनु उत्तम हुन्छ जसमा नेटवर्कले भविष्यमा काम गर्नेछ।

रिपोजिटरीलाई आधारको रूपमा लिऔं टिन्डर स्वचालन। टिन्डरका तस्बिरहरू सधैं सार्वजनिक रूपमा उपलब्ध हुन्छन्, तर "लाइक" प्रकार्य पहिले नै सीमित छ। तसर्थ, त्रिज्या भित्र सबै जीवित चीजहरू निकाल्न र तिनीहरूलाई सावधानीपूर्वक चिन्ह लगाउन आवश्यक छ। पहिले तपाईंले एकदम सरल लिपि प्रयोग गर्न आवश्यक छ:

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)

यसले तपाइँलाई केवल दुई बटनहरूसँग सकेसम्म चाँडो डाटासेट मार्कअप गर्न अनुमति दिनेछ। मुख्य समस्या यो तथ्यमा छ कि werkzeug पुस्तकालयले पछाडि अनुकूलता तोडेको छ र यसलाई डाउनग्रेड गर्न बाध्य हुनुपर्छ। अन्यथा यसले यो त्रुटि फ्याँक्छ।

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'

त्यसैले, requirements.txt मा तपाईंले Werkzeug==0.16.1 लेख्नुपर्छ। त्यसपछि यो खुल्छ।
दोस्रो समस्या यो धेरै टोकन प्राप्त गर्न हो। भण्डारबाट मानक विधिले मेरो लागि काम गरेन, तर मैले यसलाई विकासकर्ता कन्सोलबाट प्राप्त गर्न व्यवस्थित गरें। यो गर्न, जानुहोस् लिङ्क र मा POST अनुरोधको प्रतिक्रिया निकाल्नुहोस् www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1। भित्र हामी 'access_token' खोज्छौं। केही कारणले गर्दा यसले पहिलो पटक काम गरेन, तर त्यसपछि मैले यसलाई फेला पारे र यसलाई स्क्रिप्टमा हार्डकोड गरें।

डाटासेट आवश्यकताहरू

मेसिन लर्निङ डेटासेटहरूका लागि धेरै मुख्य आवश्यकताहरू छन्:

1. पर्याप्तता
2. एकरूपता
3. विविधता

यस अवस्थामा पर्याप्त मोडेल निर्माण गर्न कम्तिमा 10000 तस्बिरहरू चाहिन्छ। हो, त्यो धेरै छ। यो वास्तवमा किन सेवाहरू मनपर्छ अमेजन मेकेनिकल टर्क, जहाँ शुल्कको लागि तपाईंले आफ्नो डेटासेटको मार्कअप अन्य व्यक्तिहरूलाई प्रत्यायोजित गर्न सक्नुहुन्छ। अर्कोतर्फ, के तपाईं साँच्चै आफ्नो बटलाई चन्द्रमाको अनुहार भएका एशियाली केटीहरू वा भारतीय जरा भएका उस्तै सुन्दर केटीहरू मन पराउन चाहनुहुन्छ? अझै, मोडेल आफ्नो स्वाद प्रतिबिम्बित गर्नुपर्छ।

त्यहाँ विविधताको साथ कुनै विशेष समस्याहरू छैनन्; सबै फोटोहरू विभिन्न कोण र प्रकाशबाट प्रस्तुत गरिएका छन्। चश्मा, लुगाहरू, स्विमसूटहरू र स्की सूटहरूमा। डाटासेटको एकरूपतामा समस्या आउन सक्छ। आदर्श रूपमा, जब हामी हाम्रो नमूना लेबल गर्छौं, यसले लगभग बराबर भागहरू समावेश गर्नुपर्छ। यदि तपाइँ "स्क्युड" डेटासेटको साथ समाप्त गर्नुहुन्छ भने, तपाइँले यसलाई अन्य स्रोतहरूबाट फोटोहरू पातलो गर्नुपर्नेछ। तपाईंले थप आकर्षकहरू थप्न आवश्यक छ, वा यसको विपरित, तपाईंले तिनीहरूलाई मार्कअप परिणामको आधारमा निर्धारण गर्नुहुनेछ। मैले लगभग 60% राम्रा कुरा पाएँ। या त म धेरै राम्रो छैन, वा म भाग्यशाली छु र वरपर धेरै राम्रा केटीहरू छन्।

म पनि परिकल्पना छुट गर्दिन कि तिनीहरू बीच धेरै बटहरू छन्। हामी एक बोटलाई तालिम दिन्छौं जुन अन्य बटहरू मनपर्छ। यसमा केही विडम्बना छ ।

डाटा प्रोसेसिंग

हामीसँग ट्याग गरिएका फोटोहरूको गुच्छा छ, तर तिनीहरू धेरै मिश्रित छन्। दिन, रात, पछाडि र अन्य। खेदका साथ, म बुझ्छु कि रिभर्स कोणबाट फोटोहरू बाट पढाइ विशेष प्रभावकारी हुनेछैन, किनकि नमूना धेरै असमान हुनेछ। तसर्थ, अनुहारहरू "च्युतता" को सन्दर्भ चिन्हको रूपमा प्रयोग गर्नु उत्तम विकल्प हुनेछ। अझै, हाम्रो लागि, अन्य प्राइमेटहरूको लागि, यो एक प्रमुख प्यारामिटर हो।

त्यसैले, प्रयोग गरौं हार कास्केडहरू। यो एक उत्कृष्ट एल्गोरिथ्म हो जसले तपाईंलाई झूटा सकारात्मक त्रुटिहरूको कम प्रतिशतका साथ छविहरूमा अनुहारहरू फेला पार्न अनुमति दिन्छ।

यो म्यानुअल मा थप विवरण मा वर्णन गरिएको छ OpenCV

अर्को चरणमा, अनुहारहरू मात्र नमूनामा छन्, यसले रंग हटाउनको लागि अर्थ दिन्छ। वास्तवमा, तपाईले पन्डोराको सुन्दर नीलो डेनिजेन वा हरियो छालाको सुन्दरता बीचमा छनोट गर्नुपर्दैन।

स्रोत

ह्यु मानिसहरूमा, छालाको रंगले आकर्षकताको मूल्याङ्कनमा महत्त्वपूर्ण योगदान गर्दैन।
तसर्थ, यो तंत्रिका नेटवर्क को काम सरल बनाउन र केवल ग्रेस्केल छोडेर लायक छ।

नमुना भवन

म तुरुन्तै भन्न चाहन्छु कि राम्रो भिडियो कार्ड र CUDA बिना, तपाईले प्रायः पर्याप्त समयमा प्रशिक्षित मोडेल पाउनुहुनेछैन। त्यसकारण, तुरुन्तै विशेष क्लाउडहरूमा वा पाइथन-CUDA प्रयोग गरेर गणनाको लागि लक्ष्य राख्नुहोस्।

मैले रिपोजिटरीको लेखकबाट आधारभूत तीन-तहको उदाहरण लिएँ र, आश्चर्यजनक रूपमा, यसले लगभग 72% को शुद्धता देखायो, जुन एकदम राम्रो परिणाम हो।

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'])

यदि त्यहाँ राम्रो नमूना छ भने, यो एक कार्ययोग्य मोडेल प्राप्त गर्न पर्याप्त हुन सक्छ।

बोट सुरु गरौं

छिट्टै विचार परीक्षणको लागि तयार विकल्पको लागि भण्डारको लेखकलाई धन्यवाद। वास्तवमा, यसले आधारभूत संस्करणमा राम्रोसँग काम गर्दछ र सिद्धान्तमा, हाम्रोमा सुरू गर्न सकिन्छ तयार भाडा सर्भर। यो अझै प्रशिक्षित गर्न सम्भव छैन; यस समयमा हामी गणनाको लागि CUDA समर्थनको साथ भर्चुअल मेसिनहरू प्रदान गर्दैनौं, तर तपाइँ कुनै पनि समस्या बिना 24/7 केहि चलाउन सक्नुहुन्छ। बोट एकदम हल्का छ, त्यसैले प्रयोग गरिएका स्रोतहरूको लागि भुक्तान गर्ने ट्यारिफ लिन यो अधिक लाभदायक हुनेछ।

Результаты

मलाई लाग्छ म धेरै प्यारो छु। र मसँग धनी भित्री संसार छ। मैले एक घण्टा भित्र 13 खेल जस्तै केहि पाएँ। यसबाहेक, धेरै पटक केटीहरूले पहिलो लेखे।
नतिजाको रूपमा, हामीले धेरै राम्रा संवादहरूको साथ समाप्त गर्यौं, जहाँ मैले भने कि म मेसिन लर्निङ र डेटा लेबलिङसँग खेल्न मात्र आएको हुँ। केटीहरू मध्ये एक धेरै चासो थियो, किनभने उनी आफैं एक विकासकर्ता हुन्। त्यहाँ एक बलियो भावना छ कि उनले अन्ततः Habré मा यो पोस्ट पढ्नेछन्। म साँच्चै आशा गर्छु कि ओक्सानाले मेरो नाम गोप्य राख्नेछ। 🙂
* पंजा हल्लाउँछ र नमस्ते भन्छ

मुद्दा को नैतिक पक्ष को बारे मा एक सानो

इमानदार हुन, मलाई पुरुष र केटीहरू बीचको सम्बन्धलाई रोबोटाइज गर्ने सम्पूर्ण विचार मन पर्दैन। एक्लै उभिरहेको चिसो अपरिचित व्यक्तिको काँधमा आफ्नो ज्याकेट फ्याँक्नुको बारेमा धेरै सही छ। वा ग्रीष्म क्याफेमा एक सुन्दर केटीको नजिक जानुहोस् र सँगै कफी पिउनुहोस्। पहिले नै मोनिटरहरू पछाडिबाट बाहिर निस्कनुहोस्।

गर्मी चारैतिर छ। चिनजान हुने बेला आएको छ ।

स्रोत: www.habr.com