在深度神经网络中你有多吸引人？

几个月前，华南大学发表了一篇关于“面部美容预测”的论文和数据集。 你可以在这里找到它。 数据集包括5500人，他们的得分有1到5分的吸引力。 

这里有一些来自论文的例子：

还有一些着名的人在集合中。 这朱莉娅罗伯特的照片平均得分为3.78：

这张以色列着名模特Bar Refaeli的照片得分为3.7分：

这些可能看起来像是低分，但3.7分代表酒吧比数据集中约80％的人更有吸引力。

与数据集一起，作者通过训练多个模型试图根据人脸图片预测人的吸引力。

在这篇文章中，我想重现他们的结果并检查我的吸引力。

---

最初的论文实现了一系列不同的模型，包括具有手工特征的经典ML模型和3种深度学习模型：AlexNet，ResNet18和ResNext50。 
我希望尽可能简化我的工作（我不想从头开始实施和培训整个resnet网络），我想微调一下现有的模型，以完成这项工作。 在keras ，有一个称为applications的模块，它是一组不同的预先训练过的模型。 其中之一是resnet50 。 不幸的是，在keras.applications中没有ResNet18或ResNext50，所以我不能再现完全相同的工作，但我应该用resnet50足够resnet50 。

from keras.applications import ResNet50

ResNet是一个深度卷积网络，由微软开发，赢得了2015 ImageNet竞赛，这是一个图像分类任务。 
当我们在keras启动resnet50模型时，我们使用ResNet50体系结构创建了一个模型，并且我们还下载了经过训练的训练后的权重，如同在ImageNet数据集上进行训练。

论文的作者没有提到他们究竟是如何训练模型的，所以我会尽力做到最好。 
我想删除最后一层（“softmax”图层）并添加一个没有激活功能的密集图层来执行回归。

  resnet = ResNet50（include_top = False，pooling ='avg'） 
  model = Sequential（） 
  model.add（RESNET） 
  model.add（密集（1）） 

  model.layers [0] .trainable = False 

 打印model.summary（） 

  ＃输出： 
 图层（类型）输出形状参数＃========================================== ======================= resnet50（模型）（无，2048）23587712 ____________________________________________________________________ dense_1（Dense）（None，1）2049 ====== ================================================== =========总参数：23,589,761 
 可训练参数：23,536,641 
 不可训练的参数：53,120 

你可以看到我制作了第一层（resnet模型）不可训练，所以我只有2049个可训练的参数，而不是23589761。

我的计划是训练最终的密集层，然后以较小的学习率训练整个网络。

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

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

之后，我将第一层改为可训练，编译并将模型适应另外30个时期。

在这里， train_X是照片，即形状(350, 350, 3) train_Y (350, 350, 3)numpy数组，以及train_Y是被标记的图像的分数。

结果

本文使用2种技术训练模型：5倍交叉验证和60％-40％列车测试分割。 他们使用Pearson Correlation（PC），平均绝对误差（MAE）和均方根误差（RMSE）来测量他们的结果。 这些是他们使用5倍交叉验证得到的结果：

这些是他们使用60％-40％训练测试分组获得的结果：

我会做一个80％-20％的训练测试分割，所以它类似于执行其交叉验证部分的1倍。

我得到了以下结果：

  RMSE：0.301799791952313 
  MAE：0.2333630505619627 
  PC：0.9012570266136678 

非常好。 另外，查看分数的散点图和直方图总是很好的：

原始分数分布（标准化）：

预测分数分布（标准化）：

结果看起来不错。 现在让我们来看看这个深度神经网络对我所说的。 我首先使用这张照片：

我得到了2.85，这意味着我比这个数据集中52％的人更有吸引力。 我不得不说我有点失望，我希望我会比这更好。 所以我试图改善我的情况。

我拍了很多照片，最终获得了3.15分，这意味着我比数据集中64％的人更具吸引力。

这是好多了，我必须诚实地说，我希望更好:)

最后一点，我使用Google Colaboratory构建和调整了这个模型，简而言之，它为您提供了一个免费使用GPU的python笔记本！

希望你喜欢这篇文章。

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