大數據文摘作品
編譯：大茜、Molly 、錢天培
什麼？！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於「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
在公眾號後臺對話框內回復「顏值」即可下載對應論文。
讓文摘菌來舉個慄子，你就知道這個數據是咋回事啦。
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，並測一下自己的顏值。
原始論文構造了一系列不同的模型，包括使用人工構造特徵的經典ML模型和3種深度學習模型：AlexNet、ResNet18和ResNext50，我希望儘可能簡化我的工作（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，並且下載了在ImageNet數據集上訓練的權重。
論文的作者沒並有提到他們究竟是如何訓練模型的，不過我會盡力做到最好。
我想刪除最後一層（「softmax」層）並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。
我的計劃是訓練最後的全連接層，然後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)
之後，我將第一層改為可訓練的，編譯模型，並再把模型訓練30輪。
在這裡，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。
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係數（PC），平均絕對誤差（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，所以它類似於執行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（標準化後的）：
預測分數分布（標準化後的）：
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:)
最後一點，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！
文摘菌文末按：希望這個數據集也可以診治一下北美吐槽君亂打分的惡劣現象，感恩！
原文連結：
https://towardsdatascience.com/how-attractive-are-you-in-the-eyes-of-deep-neural-network-3d71c0755ccc
【今日機器學習概念】
Have a Great Definition