మెషిన్ లెర్నింగ్ మరియు టిండర్ ఉపయోగించి గంటకు 13 మంది అమ్మాయిలను ఎలా తీయాలి

* పూర్తిగా మెషిన్ లెర్నింగ్ నేర్చుకోవడం కోసమే. తన ప్రియమైన భార్య యొక్క కొద్దిగా అసంతృప్తితో కూడిన చూపు కింద.

స్పైనల్ రిఫ్లెక్స్‌ల స్థాయికి టిండెర్ వంటి సాధారణ అప్లికేషన్ ఏదీ లేదు. దీన్ని ఉపయోగించడానికి, స్వైప్ చేయడానికి మీకు ఒక వేలు మరియు మీరు బాగా ఇష్టపడే అమ్మాయిలు లేదా పురుషులను ఎంచుకోవడానికి కొన్ని న్యూరాన్‌లు మాత్రమే అవసరం. జంట ఎంపికలో బ్రూట్ ఫోర్స్ యొక్క ఆదర్శవంతమైన అమలు.

కొత్త గ్రాఫిక్స్ కార్డ్‌లో మెషిన్ లెర్నింగ్ కోసం కొంచెం అనుభూతిని పొందడానికి ఇది మంచి మార్గం అని నేను నిర్ణయించుకున్నాను. నాకు కొత్త లావుగా ఉన్న స్త్రీ అవసరం లేదని నా భార్యకు వివరించడం మాత్రమే మిగిలి ఉంది మరియు నేను కేవలం న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇస్తున్నాను.

డేటింగ్ నెట్‌వర్క్‌ల సమస్య ఏమిటి?

అటువంటి వనరు ఉంది - యాష్లే మాడిసన్. నిర్దిష్టమైనది, “లైఫ్ ఈజ్ షార్ట్” అనే నినాదంతో. ఎఫైర్ పెట్టుకో." ప్రధాన ప్రేక్షకులు వివాహిత పురుషులు వైపు ఎఫైర్ కోసం చూస్తున్నారు. మానిటైజేషన్ కూడా సరదాగా ఉంటుంది - స్టాండర్డ్ “ఇష్టం మరియు వ్రాయడానికి పాయింట్లను ఖర్చు చేయడం”తో పాటు, వారు వినియోగదారు ఖాతాను ట్రేస్ లేకుండా తొలగించడానికి $19ని అడిగారు.

2015లో, సైట్ సహజంగా లీక్ అయింది మరియు 60 GB వ్యక్తిగత డేటా పబ్లిక్ డొమైన్‌లోకి లీక్ అయింది. అనేక ధ్వంసమైన కుటుంబాలతో పాటు, ఈ లీక్ విశ్లేషకులకు చాలా ఆసక్తికరమైన సమాచారాన్ని అందించింది. డేటింగ్ సైట్‌లలో చాలా మంది పురుషులు ఉన్నారని నేను ఎప్పుడూ అనుమానించాను, కానీ ఈ సందర్భంలో అది చాలా ఆసక్తికరంగా మారింది. జర్నలిస్ట్ అన్నాలీ నెవిట్జ్ లీక్ అయిన డేటాను విశ్లేషించడం 5 మిలియన్ల మంది వినియోగదారులలో, కేవలం 12 మంది మాత్రమే నిజమైన అమ్మాయి ఖాతాలను పోలి ఉన్నారని మరియు వాటిని క్రమం తప్పకుండా ఉపయోగిస్తున్నారని కనుగొన్నారు. మిగిలినవి పురుష సందర్శకులతో చాట్ చేసే బాట్‌లు మాత్రమే.

పురుష ఖాతాల పట్ల ఇటువంటి ప్రాధాన్యత ఈ వనరుకు మాత్రమే కాకుండా, ఇతర డేటింగ్ సైట్‌లకు కూడా విలక్షణమైనది. చాలా మంది ఈ నిస్సందేహంగా అన్యాయమైన పరిస్థితిని ఎదుర్కొన్నారని నేను ఖచ్చితంగా అనుకుంటున్నాను, మీరు ఒక పరిచయాన్ని జాగ్రత్తగా ప్లాన్ చేయవలసి వచ్చినప్పుడు, కానీ అమ్మాయి కేవలం నమోదు చేసుకోవాలి. ఈ అభిమానుల గుంపు యొక్క నాణ్యతను పక్కన పెడదాం, అయితే సరఫరా మరియు డిమాండ్ యొక్క సమతుల్యత స్పష్టంగా అమ్మాయిలకు అనుకూలంగా మారుతుందనే వాస్తవం కాదనలేనిది.

టిండెర్ ఫీచర్

లింగ సంబంధాలలో ఆదర్శవంతమైన బ్రూట్ ఫోర్సర్

ఈ ప్లాట్‌ఫారమ్ యొక్క ప్రధాన లక్షణం పరిచయస్తులకు తక్కువ ధర. రెండు స్వైప్‌ల యాదృచ్చికం సరిపోతుంది మరియు మీరు ఇప్పటికే ఆసక్తికరమైన వ్యక్తితో కమ్యూనికేట్ చేస్తున్నారు. సమస్య ఏమిటంటే, అదే లింగ అసమతుల్యత చాలా మంది అమ్మాయిలు రోజుకు డజన్ల కొద్దీ మ్యాచ్‌లను కలిగి ఉంటారు. దీనర్థం, ఇతర అభ్యర్థులలో మీపై దృష్టి పెట్టడానికి వారికి ఎక్కువ సమయం ఉండదు.

ఈ ప్లాట్‌ఫారమ్ స్విమ్‌సూట్‌లోని ఫోటోలో లేదా నాగరీకమైన లేతరంగు గల కారును నడుపుతున్న ఫోటోలో ఒకటిన్నర సెకను చూపులో ఒక వ్యక్తి యొక్క లోతైన అంతర్గత ప్రపంచాన్ని అంచనా వేయడానికి తక్కువ అవకాశాన్ని సూచిస్తుంది. అందువల్ల, మీరు మీ ఫోటోగ్రాఫ్‌లలో కేవలం దైవంగా కనిపించకపోతే, దత్తత తీసుకోవడం ద్వారా మీ అవకాశాలను పెంచుకోవడం తప్ప మీకు వేరే మార్గం లేదు. r-వ్యూహం కొన్ని జాతులలో. సరళంగా చెప్పాలంటే, మేము బ్రూట్ ఫోర్స్ చేస్తాము మరియు సంతానోత్పత్తి విజయావకాశాలను పెంచడానికి వాల్యూమ్‌ను తీసుకుంటాము. మీరు కొన్నిసార్లు ఆహారం మరియు నిద్రతో పరధ్యానంలో ఉండవలసి ఉంటుంది మరియు స్వైప్‌లు పరిమితంగా ఉంటాయి కాబట్టి, మీ అభిరుచులకు బాగా సరిపోయే అమ్మాయిలు లేదా పురుషులను ఆటోమేషన్ ఎంచుకోవడాన్ని మీరు ఇష్టపడతారు. పొట్టి రెడ్ హెడ్స్ లేదా పొడవాటి నల్లటి జుట్టు గల స్త్రీలు - ఇది మీ ఇష్టం.

డేటాను సేకరిస్తోంది

అన్నింటిలో మొదటిది, సాధారణ ఖచ్చితత్వం కోసం మీకు చాలా డేటా అవసరం. మెషీన్ లెర్నింగ్‌ను ఎదుర్కొన్న ఎవరికైనా సరిగ్గా సేకరించిన మరియు లేబుల్ చేయబడిన డేటాసెట్‌ను రూపొందించడం ఎంత కష్టమో తెలుసు. సిద్ధాంతపరంగా, ఇన్‌స్టాగ్రామ్ లేదా ఇతర సోషల్ నెట్‌వర్క్‌లు అయినా, ఏదైనా సారూప్య వనరు డేటా మూలంగా అనుకూలంగా ఉంటుంది. కానీ భవిష్యత్తులో నెట్వర్క్ పని చేసే ఆ నమూనాలపై శిక్షణ ఇవ్వడం ఉత్తమం.

రిపోజిటరీని ప్రాతిపదికగా తీసుకుందాం టిండెర్ ఆటోమేషన్. టిండెర్ ఫోటోలు ఎల్లప్పుడూ పబ్లిక్‌గా అందుబాటులో ఉంటాయి, కానీ "ఇష్టం" ఫంక్షన్ ఇప్పటికే పరిమితం చేయబడింది. అందువల్ల, వ్యాసార్థంలో ఉన్న అన్ని జీవులను సంగ్రహించడం మరియు వాటిని జాగ్రత్తగా గుర్తించడం అవసరం. ముందుగా మీరు చాలా సరళమైన స్క్రిప్ట్‌ని ఉపయోగించాలి:

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)

ఇది కేవలం రెండు బటన్‌లతో వీలైనంత త్వరగా డేటాసెట్‌ను మార్క్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది. werkzeug లైబ్రరీ బ్యాక్‌వర్డ్ కంపాటబిలిటీని విచ్ఛిన్నం చేసింది మరియు దానిని డౌన్‌గ్రేడ్ చేయవలసి వస్తుంది అనే వాస్తవంలో కీలకమైన ఆపద ఉంది. లేకపోతే అది ఈ లోపాన్ని విసిరివేస్తుంది.

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'

కాబట్టి, requirements.txtలో మీరు Werkzeug==0.16.1 అని వ్రాయాలి. అప్పుడు అది టేకాఫ్ అవుతుంది.
రెండవ సమస్య ఈ టోకెన్‌ను పొందడం. రిపోజిటరీ నుండి ప్రామాణిక పద్ధతి నాకు పని చేయలేదు, కానీ నేను దానిని డెవలపర్ కన్సోల్ నుండి పొందగలిగాను. దీన్ని చేయడానికి, వెళ్ళండి లింక్ మరియు POST అభ్యర్థనకు ప్రతిస్పందనను సంగ్రహించండి www.facebook.com/v2.6/dialog/oauth/confirm?dpr=1. లోపల మనం 'access_token' కోసం చూస్తాము. కొన్ని కారణాల వల్ల ఇది మొదటిసారి పని చేయలేదు, కానీ నేను దానిని కనుగొని స్క్రిప్ట్‌లో హార్డ్‌కోడ్ చేసాను.

డేటాసెట్ అవసరాలు

మెషిన్ లెర్నింగ్ డేటాసెట్‌ల కోసం అనేక కీలక అవసరాలు ఉన్నాయి:

1. సమర్ధత
2. ఏకరూపత
3. వైవిధ్యం

తగిన నమూనాను రూపొందించడానికి ఈ సందర్భంలో సమృద్ధికి కనీసం 10000 ఛాయాచిత్రాలు అవసరం. అవును, అది చాలా ఎక్కువ. వాస్తవానికి ఇలాంటి సేవలు ఎందుకు అమెజాన్ మెకానికల్ టర్క్, ఇక్కడ రుసుము చెల్లించి మీరు మీ డేటాసెట్ మార్కప్‌ను ఇతర వ్యక్తులకు అప్పగించవచ్చు. మరోవైపు, మీ బోట్ అద్భుతమైన చంద్రుని ముఖం గల ఆసియా అమ్మాయిలను ఇష్టపడాలని లేదా భారతీయ మూలాలు ఉన్న సమానమైన అందమైన అమ్మాయిలను ఇష్టపడాలని మీరు నిజంగా కోరుకుంటున్నారా? అయినప్పటికీ, మోడల్ మీ అభిరుచిని ప్రతిబింబించాలి.

వివిధ రకాల ప్రత్యేక సమస్యలు లేవు; అన్ని ఛాయాచిత్రాలు వివిధ కోణాలు మరియు లైటింగ్ నుండి ప్రదర్శించబడతాయి. అద్దాలు, దుస్తులు, స్విమ్‌సూట్‌లు మరియు స్కీ సూట్‌లలో. డేటాసెట్ యొక్క ఏకరూపతతో సమస్య తలెత్తవచ్చు. ఆదర్శవంతంగా, మేము మా నమూనాను లేబుల్ చేసినప్పుడు, అది దాదాపు సమాన భాగాలను కలిగి ఉండాలి. మీరు “వక్రీకరించిన” డేటాసెట్‌తో ముగిస్తే, మీరు దానిని ఇతర మూలాల నుండి ఫోటోగ్రాఫ్‌లతో పలుచన చేయాలి. మీరు మరింత ఆకర్షణీయమైన వాటిని జోడించాలి, లేదా వైస్ వెర్సా, మీరు వాటిని మార్కప్ ఫలితం ఆధారంగా నిర్ణయిస్తారు. నాకు 60% అందంగా ఉంది. నేను చాలా పిక్కీ కాదు, లేదా నేను అదృష్టవంతుడిని మరియు చుట్టూ చాలా మంది అందమైన అమ్మాయిలు ఉన్నారు.

వాటిలో చాలా బాట్‌లు ఉన్నాయనే పరికల్పనను కూడా నేను తగ్గించను. మేము ఇతర బాట్‌లను ఇష్టపడే బోట్‌కు శిక్షణ ఇస్తాము. ఇందులో కొంత వ్యంగ్యం ఉంది.

డేటా ప్రాసెసింగ్

మాకు ట్యాగ్ చేయబడిన ఫోటోల సమూహం ఉంది, కానీ అవి చాలా మిశ్రమంగా ఉన్నాయి. పగలు, రాత్రి, వెనుక నుండి మరియు ఇతరులు. విచారంతో, నమూనా చాలా అసమానంగా ఉన్నందున, రివర్స్ కోణం నుండి ఛాయాచిత్రాల నుండి బోధించడం ముఖ్యంగా ప్రభావవంతంగా ఉండదని నేను అర్థం చేసుకున్నాను. అందువల్ల, "క్యూట్‌నెస్" యొక్క సూచన చిహ్నంగా ముఖాలను ఉపయోగించడం ఉత్తమ ఎంపిక. ఇప్పటికీ, మాకు, ఇతర ప్రైమేట్స్ కోసం, ఇది ఒక కీలకమైన పరామితి.

కాబట్టి, ఉపయోగించుకుందాం హార్ క్యాస్కేడ్లు. ఇది ఒక అద్భుతమైన అల్గోరిథం, ఇది తక్కువ శాతం తప్పుడు సానుకూల లోపాలతో చిత్రాలలో ముఖాలను కనుగొనడానికి మిమ్మల్ని అనుమతిస్తుంది.

ఇది మాన్యువల్లో మరింత వివరంగా వివరించబడింది OpenCV

తదుపరి దశలో, నమూనాలో ముఖాలు మాత్రమే ఉన్న తర్వాత, రంగును తీసివేయడం అర్ధమే. నిజానికి, మీరు పండోర యొక్క అందమైన నీలిరంగు డెనిజెన్ లేదా ఆకుపచ్చ-చర్మం గల అందాల మధ్య ఎంచుకోవాల్సిన అవసరం లేదు.

మూలం

హ్యూ ప్రజలలో, చర్మం రంగు ఆకర్షణీయత యొక్క రేటింగ్‌లకు గణనీయమైన సహకారం అందించదు.
అందువల్ల, నాడీ నెట్వర్క్ యొక్క పనిని సరళీకృతం చేయడం మరియు గ్రేస్కేల్ మాత్రమే వదిలివేయడం విలువ.

మోడల్ భవనం

మంచి వీడియో కార్డ్ మరియు CUDA లేకుండా, మీరు తగిన సమయంలో శిక్షణ పొందిన మోడల్‌ను పొందలేరని నేను వెంటనే చెప్పాలనుకుంటున్నాను. అందువల్ల, ప్రత్యేక మేఘాలలో లేదా పైథాన్-CUDAని ఉపయోగించి గణనలను వెంటనే లక్ష్యంగా పెట్టుకోండి.

నేను రిపోజిటరీ రచయిత నుండి ప్రాథమిక మూడు-పొరల ఉదాహరణను తీసుకున్నాను మరియు ఆశ్చర్యకరంగా, ఇది దాదాపు 72% ఖచ్చితత్వాన్ని చూపించింది, ఇది చాలా మంచి ఫలితం.

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'])

మంచి నమూనా ఉంటే, అది పని చేయదగిన నమూనాను పొందేందుకు సరిపోతుంది.

బాట్‌ను ప్రారంభిద్దాం

ఆలోచనను త్వరగా పరీక్షించడానికి సిద్ధంగా ఉన్న ఎంపిక కోసం రిపోజిటరీ రచయితకు ధన్యవాదాలు. వాస్తవానికి, ఇది ప్రాథమిక సంస్కరణలో బాగా పనిచేస్తుంది మరియు సూత్రప్రాయంగా, మాపై ప్రారంభించవచ్చు రెడీమేడ్ అద్దె సర్వర్. ఇది ఇంకా శిక్షణ పొందడం సాధ్యం కాదు; ప్రస్తుతానికి మేము గణనల కోసం CUDA మద్దతుతో వర్చువల్ మిషన్‌లను అందించము, కానీ మీరు ఎటువంటి సమస్యలు లేకుండా 24/7 ఏదైనా అమలు చేయవచ్చు. బోట్ చాలా తేలికైనది, కాబట్టి ఉపయోగించిన వనరులకు చెల్లించే సుంకాన్ని తీసుకోవడం మరింత లాభదాయకంగా ఉంటుంది.

Результаты

నేను చాలా ముద్దుగా ఉన్నాను. మరియు నాకు గొప్ప అంతర్గత ప్రపంచం ఉంది. నాకు గంట వ్యవధిలో 13 మ్యాచ్‌లు వచ్చాయి. అంతేకాకుండా, అనేక సార్లు అమ్మాయిలు మొదట రాశారు.
ఫలితంగా, మేము చాలా చక్కని డైలాగ్‌లతో ముగించాము, ఇక్కడ నేను మెషిన్ లెర్నింగ్ మరియు డేటా లేబులింగ్‌తో ఆడటానికి మాత్రమే వచ్చానని చెప్పాను. ఆమె స్వయంగా డెవలపర్ అయినందున అమ్మాయిలలో ఒకరు చాలా ఆసక్తిగా ఉన్నారు. ఆమె చివరికి హబ్రేలో ఈ పోస్ట్‌ను చదువుతుందనే బలమైన భావన ఉంది. ఒక్సానా నా అజ్ఞాతత్వాన్ని కొనసాగిస్తుందని నేను నిజంగా ఆశిస్తున్నాను. 🙂
*waves పావ్ మరియు హాయ్ అని

సమస్య యొక్క నైతిక వైపు గురించి కొంచెం

నిజం చెప్పాలంటే, పురుషులు మరియు అమ్మాయిల మధ్య సంబంధాలను రోబోటైజ్ చేయాలనే మొత్తం ఆలోచన నాకు ఇష్టం లేదు. ఒంటరిగా నిలబడి ఉన్న ఒక చల్లని అపరిచితుడి భుజాలపై మీ జాకెట్‌ను విసరడం చాలా సరైనది. లేదా సమ్మర్ కేఫ్‌లో అందమైన అమ్మాయిని సంప్రదించి కలిసి కాఫీ తాగండి. ఇప్పటికే మానిటర్‌ల వెనుక నుండి బయటపడండి.

వేసవి అంతా చుట్టుముట్టింది. ఇది పరిచయం పొందడానికి సమయం.

మూలం: www.habr.com