ResNet告诉我，我是不是世界上最美的人？

摘要：在这里，代表照片，也就是形状为的矩阵，是图像被标记的分数。我首先使用这张照片我的分数是，这意味着我的颜值比数据集中的人高。我拍了很多照片，最终我得到了分，这意味着我比数据集中的人更具吸引力。

什么？！颜值“客观化”要进行实质性推进了？

几个月前，华南理工大学发布了一篇关于“颜值评估”的论文及其数据集。

这个数据集包括5500人，每人的长相被从1-5分进行打分。

数据的下载地址如下：

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

数据集中还包括一些明星。这张Julia Roberts的照片平均得分为3.78：

这张以色列著名模特Bar Refaeli的照片获得了3.7分。

这些分数可能看起来有点低，但3.7分已经代表你的颜值比数据集中约80％的人高了。

在这个数据集上，作者训练了多个模型，试图根据人脸图片评估颜值。

在这篇文章中，我要复现他们的结果，并测一下自己的颜值。

原始论文构造了一系列不同的模型，包括使用人工构造特征的经典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（我不想从头开始训练Resnet神经网络模型），我想对现有的模型进行调优。在keras中，有一个称为application的模块，它包含各种不同的预训练过的模型。resnet50就是其中之一。 不幸的是，在keras.applications中没有ResNet18或ResNext50，所以我不能完全复现研究人员之前的研究过程，不过利用resnet50也能足够接近之前的工作。

from keras.applications import ResNet50

ResNet是一个由微软开发的深度卷积网络，它赢得了2015 年的ImageNet图像分类任务竞赛。

在keras中，当我们初始化resnet50模型时，我们创建了一个ResNet50结构的模型，并且下载了在ImageNet数据集上训练的权重。

论文的作者没并有提到他们究竟是如何训练模型的，不过我会尽力做到较好。

我想删除最后一层（“softmax”层）并添加一个没有激活函数的全连接层来做回归。

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层（resnet模型）设置为不可训练的，所以我只有2049个可训练的参数，而不是23589761个参数。

我的计划是训练最后的全连接层，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的，编译模型，并再把模型训练30轮。

在这里，train_X代表照片，也就是形状为（350,350,3）的numpy矩阵，train_Y是图像被标记的分数。

结论

论文使用2种方法训练模型：5折交叉验证和以6：4的比例将数据集分割为训练集和测试集。他们使用皮尔逊相关系数（PC），平均误差（MAE）和均方根误差（RMSE）来测评估模型的结果。以下是他们使用5折交叉验证得到的结果：

这些是他们使用6:4分割数据集获得的结果：

我以8:2的比例分割数据集，所以它类似于执行1折交叉验证。

我得到的结果如下：

非常好的结果。另外，也可以看看散点图和直方图：

原始分数分布（标准化后的）：

预测分数分布（标准化后的）：

结果看起来不错。现在在我身上试试这个这个神经网络。我首先使用这张照片：

我的分数是2.85，这意味着我的颜值比数据集中52％的人高。不得不说我有点失望，我以为我的分数会高一些，所以我试图提高我的分数。

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

这比之前好很多了，不过我必须诚实地说，我希望还能更高:)

最后一点，我使用Google Colaboratory构建和调整了这个模型，简而言之，Google Colaboratory能为你提供一个免费使用GPU的python notebook！

原文链接：

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

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识

QQ群：81035754