摘要：在這里，代表照片，也就是形狀為的矩陣，是圖像被標記的分數。我首先使用這張照片我的分數是，這意味著我的顏值比數據集中的人高。我拍了很多照片，最終我得到了分，這意味著我比數據集中的人更具吸引力。

什么？！顏值“客觀化”要進行實質性推進了？

幾個月前，華南理工大學發布了一篇關于“顏值評估”的論文及其數據集。

這個數據集包括5500人，每人的長相被從1-5分進行打分。

數據的下載地址如下：

https://github.com/HCIILAB/SCUT-FBP5500-Database-Release

數據集中還包括一些明星。這張Julia Roberts的照片平均得分為3.78：

這張以色列著名模特Bar Refaeli的照片獲得了3.7分。

這些分數可能看起來有點低，但3.7分已經代表你的顏值比數據集中約80％的人高了。

在這個數據集上，作者訓練了多個模型，試圖根據人臉圖片評估顏值。

在這篇文章中，我要復現他們的結果，并測一下自己的顏值。

原始論文構造了一系列不同的模型，包括使用人工構造特征的經典ML模型和3種深度學習模型：AlexNet、ResNet18和ResNext50，我希望盡可能簡化我的工作（我不想從頭開始訓練Resnet神經網絡模型），我想對現有的模型進行調優。在keras中，有一個稱為application的模塊，它包含各種不同的預訓練過的模型。resnet50就是其中之一。 不幸的是，在keras.applications中沒有ResNet18或ResNext50，所以我不能完全復現研究人員之前的研究過程，不過利用resnet50也能足夠接近之前的工作。

from keras.applications import ResNet50

ResNet是一個由微軟開發的深度卷積網絡，它贏得了2015 年的ImageNet圖像分類任務競賽。

在keras中，當我們初始化resnet50模型時，我們創建了一個ResNet50結構的模型，并且下載了在ImageNet數據集上訓練的權重。

論文的作者沒并有提到他們究竟是如何訓練模型的，不過我會盡力做到較好。

我想刪除最后一層（“softmax”層）并添加一個沒有激活函數的全連接層來做回歸。

resnet = ResNet50(include_top=False, pooling=’avg’)

model = Sequential()

model.add(resnet)

model.add(Dense(1))

model.layers[0].trainable = False

print model.summary()

# Output:

? Layer (type) ? ? ? ? ? ? ? ? Output Shape ? ? ? ? ? ? ?Param # ? ?================================================================= resnet50 (Model) ? ? ? ? ? ? (None, 2048) ? ? ? ? ? ? ?23587712 ? _________________________________________________________________ dense_1 (Dense) ? ? ? ? ? ? ?(None, 1) ? ? ? ? ? ? ? ? 2049 ? ? ? ================================================================= Total params: 23,589,761?

Trainable params: 23,536,641?

Non-trainable params: 53,120

你可以看到我把第一層（resnet模型）設置為不可訓練的，所以我只有2049個可訓練的參數，而不是23589761個參數。

我的計劃是訓練最后的全連接層，然后以較小的學習率訓練整個網絡。

model.compile(loss="mean_squared_error", optimizer=Adam())

model.fit(batch_size=32, x=train_X, y=train_Y, epochs=30)

之后，我將第一層改為可訓練的，編譯模型，并再把模型訓練30輪。

在這里，train_X代表照片，也就是形狀為（350,350,3）的numpy矩陣，train_Y是圖像被標記的分數。

結論

論文使用2種方法訓練模型：5折交叉驗證和以6：4的比例將數據集分割為訓練集和測試集。他們使用皮爾遜相關系數（PC），平均誤差（MAE）和均方根誤差（RMSE）來測評估模型的結果。以下是他們使用5折交叉驗證得到的結果：

這些是他們使用6:4分割數據集獲得的結果：

我以8:2的比例分割數據集，所以它類似于執行1折交叉驗證。

我得到的結果如下：

非常好的結果。另外，也可以看看散點圖和直方圖：

原始分數分布（標準化后的）：

預測分數分布（標準化后的）：

結果看起來不錯。現在在我身上試試這個這個神經網絡。我首先使用這張照片：

我的分數是2.85，這意味著我的顏值比數據集中52％的人高。不得不說我有點失望，我以為我的分數會高一些，所以我試圖提高我的分數。

我拍了很多照片，最終我得到了3.15分，這意味著我比數據集中64％的人更具吸引力。

這比之前好很多了，不過我必須誠實地說，我希望還能更高:)

最后一點，我使用Google Colaboratory構建和調整了這個模型，簡而言之，Google Colaboratory能為你提供一個免費使用GPU的python notebook！

原文鏈接：

https://towardsdatascience.com/how-attractive-are-you-in-the-eyes-of-deep-neural-network-3d71c0755ccc

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識

QQ群：81035754