*Kwa ajili ya kujifunza Kujifunza kwa Mashine, bila shaka. Chini ya macho ya kutoridhika kidogo ya mke wake mpendwa.
Pengine hakuna maombi rahisi kwa kiwango cha reflexes ya mgongo kama Tinder. Ili kuitumia, unahitaji kidole kimoja tu kutelezesha kidole na neurons chache kuchagua wasichana au wanaume unaowapenda zaidi. Utekelezaji bora wa nguvu ya kikatili katika uteuzi wa jozi.
Niliamua kuwa hii itakuwa njia nzuri ya kupata hisia kidogo za kujifunza kwa mashine kwenye kadi mpya ya michoro. Yote iliyobaki ni kuelezea mke wangu kwamba sihitaji mwanamke mpya aliyenenepa, na ninafundisha mitandao ya neural tu.
Je, kuna tatizo gani la mitandao ya uchumba?
Kulikuwa na rasilimali kama hiyo - Ashley Madison. Maalum, yenye kauli mbiu βMaisha ni mafupi. Kuwa na uhusiano." Hadhira kuu ni wanaume walioolewa wanaotafuta mchumba upande. Uchumaji wa mapato pia ni jambo la kufurahisha - pamoja na kiwango cha "kutumia pointi kupenda na kuandika," waliomba $19 ili kufuta akaunti ya mtumiaji bila kufuatilia.
Mnamo 2015, tovuti ilivuja kwa kawaida na GB 60 ya data ya kibinafsi kuvuja kwenye kikoa cha umma. Mbali na familia nyingi zilizoharibiwa, uvujaji huu ulitoa habari nyingi za kupendeza kwa wachambuzi. Siku zote nilishuku kuwa kulikuwa na wanaume wengi zaidi kwenye tovuti za uchumba, lakini katika kesi hii iligeuka kuwa ya kufurahisha sana. Mwandishi wa habari Annalee Newitz iligundua kuwa kati ya watumiaji milioni 5, 12 tu walikuwa sawa na akaunti halisi ya wasichana na zilitumika mara kwa mara. Wengine walikuwa roboti tu waliozungumza na wageni wa kiume.
Utii kama huo kwa akaunti za wanaume sio kawaida sio tu kwa nyenzo hii, lakini pia kwa tovuti zingine nyingi za uchumba. Nina hakika kwamba wengi wamekutana na hali hii bila shaka isiyo ya haki, wakati unapaswa kupanga kwa uangalifu marafiki, lakini msichana anahitaji tu kujiandikisha. Wacha tuache ubora wa umati huu wa mashabiki kando, lakini ukweli haukubaliki kwamba usawa wa usambazaji na mahitaji umebadilishwa wazi kwa niaba ya wasichana.
Kipengele cha Tinder
Mtawala bora katili katika mahusiano ya kijinsia
Kipengele kikuu cha jukwaa hili ni gharama ya chini kwa kila mtu anayemjua. Sadfa ya swipes mbili inatosha na tayari unawasiliana na mtu anayeweza kuvutia. Shida ni kwamba usawa sawa wa kijinsia husababisha ukweli kwamba wasichana wengi watakuwa na mechi kadhaa kwa siku. Hii inamaanisha kuwa hawatakuwa na wakati wa kukuzingatia kati ya wagombea wengine.
Ni wazi kabisa kuwa jukwaa linamaanisha fursa ndogo ya kutathmini ulimwengu wa ndani wa mtu kutoka kwa mtazamo wa sekunde moja na nusu kwenye picha katika vazi la kuogelea au kuendesha gari la mtindo. Kwa hivyo, ikiwa hauonekani kuwa wa kimungu katika picha zako, huna chaguo ila kuongeza nafasi zako kwa kupitisha. katika baadhi ya aina. Kuweka tu, tutatumia nguvu na kuchukua kiasi ili kuongeza nafasi zetu za mafanikio ya kuzaliana. Kwa kuwa wakati mwingine unahitaji kukengeushwa na chakula na kulala, na swipes ni mdogo, labda utapendelea kuwa otomatiki uchague wasichana au wanaume wanaofaa zaidi ladha yako. Nyekundu fupi au brunettes ndefu - ni juu yako.
Kukusanya data
Kwanza kabisa, unahitaji data nyingi kwa usahihi wa kawaida. Mtu yeyote ambaye amekumbana na ujifunzaji wa mashine anajua jinsi inavyoweza kuwa vigumu kutoa mkusanyiko wa data uliokusanywa kwa usahihi na kuwekewa lebo. Kinadharia, rasilimali yoyote kama hiyo itafaa kama chanzo cha data, iwe Instagram au mitandao mingine ya kijamii. Lakini ni bora kutoa mafunzo juu ya sampuli hizo ambazo mtandao utafanya kazi katika siku zijazo.
Wacha tuchukue hazina kama msingi . Picha za Tinder zinapatikana kwa umma kila wakati, lakini kazi ya "kama" tayari ina kikomo. Kwa hivyo, inahitajika kutoa vitu vyote vilivyo hai ndani ya radius na uweke alama kwa uangalifu. Kwanza unahitaji kutumia hati rahisi:
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)
Itakuruhusu kuweka alama kwenye hifadhidata haraka iwezekanavyo na vitufe viwili tu. Shimo kuu liko katika ukweli kwamba maktaba ya werkzeug imevunja utangamano wa nyuma na italazimika kuishusha. Vinginevyo inatupa kosa hili.
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'
Kwa hiyo, katika mahitaji.txt unahitaji kuandika Werkzeug==0.16.1. Kisha itaondoka.
Shida ya pili ni kupata ishara hii sana. Njia ya kawaida kutoka kwa hazina haikufanya kazi kwangu, lakini nilifanikiwa kuipata kutoka kwa koni ya msanidi programu. Ili kufanya hivyo, nenda kwa na kutoa jibu kwa ombi la POST ndani . Ndani tunatafuta 'tokeni_ya_ufikiaji'. Kwa sababu fulani haikufanya kazi mara ya kwanza, lakini basi niliipata na kuiweka ngumu kwenye hati.
Mahitaji ya seti ya data
Kuna mahitaji kadhaa muhimu ya seti za data za kujifunza kwa mashine:
- Utoshelevu
- Usawa
- Aina tofauti
Utoshelevu katika kesi hii unahitaji angalau picha 10000 ili kuunda muundo wa kutosha. Ndiyo, ni mengi. Kwa kweli hii ndiyo sababu huduma zinapenda , ambapo kwa ada unaweza kukabidhi alama za seti yako ya data kwa watu wengine. Kwa upande mwingine, je, unataka roboti yako ipende wasichana wazuri wa Asia wenye uso wa mwezi au wasichana warembo sawa na wenye asili ya Kihindi? Bado, mfano unapaswa kuonyesha ladha yako.
Hakuna shida fulani na anuwai; picha zote zinawasilishwa kutoka kwa pembe tofauti na taa. Katika glasi, nguo, swimsuits na suti ski. Tatizo linaweza kutokea kwa usawa wa mkusanyiko wa data. Kwa hakika, tunapoweka lebo sampuli yetu, inapaswa kuwa na takriban sehemu sawa. Ukimaliza na seti ya data "iliyopotoshwa", itabidi uipunguze na picha kutoka kwa vyanzo vingine. Utahitaji kuongeza zinazovutia zaidi, au kinyume chake, utaziamua kulingana na matokeo ya markup. Nilipata kitu kizuri karibu 60%. Labda sichagui sana, au nina bahati tu na kuna wasichana wengi warembo karibu.
Pia sipunguzii dhana kwamba kuna roboti nyingi kati yao. Tunafunza roboti ambayo itapenda roboti zingine. Kuna kejeli fulani katika hili.
Usindikaji wa data
Tuna rundo la picha zilizowekwa alama, lakini zimechanganywa sana. Mchana, usiku, kutoka nyuma na wengine. Kwa majuto, ninaelewa kwamba kufundisha kutoka kwa picha kutoka kwa pembe ya nyuma hakutakuwa na ufanisi hasa, kwa kuwa sampuli itakuwa tofauti sana. Kwa hivyo, chaguo bora itakuwa kutumia nyuso kama ishara ya kumbukumbu ya "uzuri." Bado, kwetu, kama kwa nyani wengine, hii ni paramu muhimu.
Kwa hiyo, hebu tumia . Hii ni algorithm bora ambayo hukuruhusu kupata nyuso kwenye picha zilizo na asilimia ndogo ya makosa chanya ya uwongo.
Hii imeelezewa kwa undani zaidi katika mwongozo
Katika hatua inayofuata, baada ya nyuso tu ziko kwenye sampuli, ni mantiki kuondoa rangi. Kwa kweli, ni vigumu sana kuchagua kati ya rangi nzuri ya bluu ya Pandora au uzuri wa ngozi ya kijani.
Katika watu wa Hue, rangi ya ngozi haitoi mchango mkubwa kwa ukadiriaji wa kuvutia.
Kwa hivyo, inafaa kurahisisha kazi ya mtandao wa neva na kuacha rangi ya kijivu tu.
Jengo la mfano
Ninataka kusema mara moja kwamba bila kadi nzuri ya video na CUDA, uwezekano mkubwa hautapata mfano wa mafunzo kwa wakati wa kutosha. Kwa hiyo, mara moja lengo la mahesabu katika mawingu maalum au kutumia python-CUDA.
Nilichukua mfano wa msingi wa safu tatu kutoka kwa mwandishi wa hazina na, kwa kushangaza, ilionyesha usahihi wa karibu 72%, ambayo ni matokeo mazuri kabisa.
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'])
Ikiwa kuna sampuli nzuri, basi inaweza kuwa ya kutosha kupata mfano unaofanya kazi.
Wacha tuzindue kijibu
Shukrani kwa mwandishi wa hazina kwa chaguo tayari kwa ajili ya kupima wazo haraka. Kwa kweli, inafanya kazi vizuri katika toleo la msingi na inaweza, kwa kanuni, kuzinduliwa kwenye yetu . Bado haitawezekana kutoa mafunzo; kwa sasa hatutoi mashine pepe zenye usaidizi wa CUDA kwa hesabu, lakini unaweza kuendesha kitu 24/7 bila matatizo yoyote. Boti ni nyepesi kabisa, kwa hivyo itakuwa faida zaidi kuchukua ushuru ambao hulipa rasilimali zinazotumiwa.
Matokeo
Nadhani mimi ni mzuri sana. Na nina ulimwengu tajiri wa ndani. Nilipata kitu kama mechi 13 ndani ya saa moja. Aidha, mara kadhaa wasichana waliandika kwanza.
Kama matokeo, tuliishia na mazungumzo mazuri sana, ambapo nilisema kwamba nilikuja kucheza tu na kujifunza kwa mashine na kuweka lebo ya data. Mmoja wa wasichana hao alipendezwa sana, kwani yeye mwenyewe ni msanidi programu. Kuna hisia kali kwamba hatimaye atasoma chapisho hili kwenye Habre. Ninatumai sana kwamba Oksana atadumisha kutokujulikana kwangu. π
* anapunga mkono na kusema hi
Kidogo kuhusu upande wa kimaadili wa suala hilo
Kusema kweli, sipendi wazo zima la kubadilisha uhusiano kati ya wanaume na wasichana. Kuna kitu sahihi sana kuhusu kutupa koti yako juu ya mabega ya mgeni baridi ambaye amesimama peke yake. Au wasiliana na msichana mzuri katika cafe ya majira ya joto na kunywa kahawa pamoja. Ondoka nyuma ya wachunguzi tayari.
Majira ya joto ni pande zote. Ni wakati wa kuzoeana.
Chanzo: mapenzi.com