python神经网络，女生颜值打分器（二）

python讨论qq群：996113038

---

导语：

上一次给大家讲过“python颜值预测（一）”。讲到了特征提取。今天给大家继续讲一讲神经网络评估女生颜值的方法。这一节主要讲的是神经网络的结构以及原理。

---

代码及相关资源获取：

关注“python趣味爱好者”公众号，回复“颜值2”获取源代码。

---

开发工具：

python3.6.4

需要的第三方库：

import pandas as pd
from scipy.misc import imread
import matplotlib.pyplot as plt # plt 用于显示图片
import numpy as np
import cv2
import dlib
import os
import math

---

效果演示：

效果就是放一张女生的图片在当前文件夹下面，改名为test。然后运行python程序。就可以得到这个女生颜值分数，0是最低分，5是最高分。

---

基本原理：

上一节给大家讲的是提取特征点的原理，我们用了dlib来提取64人脸64个特征点，然后做一些平移，旋转等各种操作。

今天讲一讲核心的神经网络代码构成和原理。

我们用到的是最简单的BP神经网络。层数可以自己设定，完全是自己用矩阵搭建起来的，没有用到那些专门的工具箱。

class NeuralNetwork:
    def __init__(self, layers, activation='tanh'):
        if activation == 'logistic':
            self.activation = logistic
            self.activation_deriv = logistic_derivative
        elif activation == 'tanh':
            self.activation = tanh
            self.activation_deriv = tanh_deriv


        self.weights = []
        for i in range(1, len(layers) - 1):
            self.weights.append(
                (2 * np.random.random((layers[i - 1] + 1, layers[i] + 1)) - 1) * 0.25)
        self.weights.append(
            (2 * np.random.random((layers[-2] + 1, layers[-1])) - 1) * 0.25)

这就是定义这个神经网络。里面的权值和阈值都是随机数直接生成的，用np格式存储起来，激活函数可以自己选择。

本质上神经网络就是一个维度非常高的拟合（个人观点）。调节那些权值和阈值参数实际上可以让拟合的程度越来越高，越来越接近真实预测标准。所以，网络层数越多，训练次数越多，相对来讲，神经网络的效果也会越好。

---

部分代码：

主要的核心代码就是负反馈调节那一部分。

    def fit(self, X, y, learning_rate=0.2, epochs=100):
        X = np.atleast_2d(X)
        temp = np.ones([X.shape[0], X.shape[1] + 1])
        temp[:, 0:-1] = X  # adding the bias unit to the input layer
        X = temp
        y = np.array(y)


        for k in range(epochs):
            i = np.random.randint(X.shape[0])
            a = [X[i]]
            for l in range(len(self.weights)):  # going forward network, for each layer
                a.append(self.activation(np.dot(a[l], self.weights[l])))
            error = y[i] - a[-1]  # Computer the error at the top layer
            # For output layer, Err calculation (delta is updated error)
            deltas = [error * self.activation_deriv(a[-1])]
            # Staring backprobagation
            for l in range(len(a) - 2, 0, -1):
                deltas.append(deltas[-1].dot(self.weights[l].T)
                              * self.activation_deriv(a[l]))
            deltas.reverse()
            for i in range(len(self.weights)):
                layer = np.atleast_2d(a[i])
                delta = np.atleast_2d(deltas[i])
                self.weights[i] += learning_rate * layer.T.dot(delta)

作用就是不断调整神经网络的参数，不断优化网络。

---

              感谢大家观看，有钱的老板可以打赏一下小编哦！

扫描下方二维码，关注公众号

参考资料：

图片来源：https://www.pexels.com/photo/woman-standing-and-doing-pose-beside-lake-1468379/

参考来源：https://www.cnblogs.com/xuyiqing/p/8797048.html