看脸时代，“颜值”竟然都有了计算方法！
“魔镜魔镜告诉我，谁是世界上最美的女人？”这句伴随童年的话也有现实版哦～神经网络可以预测人脸颜值，这方面也出现了不少研究。今年年初华南理工大学的研究者发布论文，并公开了数据集 SCUT-FBP5500。本文作者 Dima Shulga「复现」了该论文，并用自己的照片做了试验。
本文转自公众号机器之心（ID：almosthuman2014）
数月前，华南理工大学发布了关于“颜值预测”的论文和数据集，数据集包括 5500 人，每人按颜值魅力打分，分值在 1 到 5 分之间。（关注DT数据侠，后台回复“颜值预测”即可获取论文地址与数据集地址）
数据集中还有很多名人。Julia Robert 的这张照片得到了 3.78 的平均分：
以色列名模 Bar Refaeli 这张照片得分 3.7：
似乎分也不高嘛，但是 3.7 的得分意味着比数据集中大约 80% 的人要好看。
数据集作者利用该数据集训练多个模型，尝试根据人脸照片预测这个人的魅力。
本文我将复现他们的结果，还要看一下我的吸引力怎么样～
原始论文实现了很多不同模型，包括具备人工制作特征的经典 ML 模型和 3 个深度学习模型：AlexNet、ResNet18、ResNext50。
我想尽可能简单地呈现（不想从头实现和训练整个 resnet 网络），于是打算通过精调现有模型来执行该工作。keras 中有一个模块叫做 applications，包含不同预训练模型。其中一个是 resnet50。不幸的是，keras.applications 中没有 ResNet18、ResNext50，因此我无法完全复现该研究，不过使用 resnet50 复现程度应该很接近。
ResNet 是微软开发的深度卷积神经网络，曾赢得 2015 ImageNet 竞赛冠军。
我们在 keras 中初始化 resnet50 模型时，使用 ResNet50 架构创建了一个模型，同时下载了在 ImageNet 数据集上训练好的权重。
论文作者没有提到他们训练模型的具体细节，因此我尽力去做。我想移除最后一层（softmax 层），添加一个没有激活函数的 Dense 层，来执行回归。
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（图片说明：可左右滑动查看）
你可以看到，我先使第一层（resnet 模型）不可训练，这样我只需要训练 2049 个参数，而不是 23,589,761 个。
我计划训练最后的 Dense 层，然后使用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)（图片说明：可左右滑动查看）
之后，我改变第一层的状态使之可训练，编译并拟合模型，来进行另外 30 个 epoch。
这里，train_X 是照片，即 numpy 形态数组 (350, 350, 3)，train_Y 是标注图像的得分。
▍结果
该论文使用 2 种技术训练模型：5-fold 交叉验证、60%-40% 的训练集-测试集分割。论文作者使用皮尔逊相关系数（PC）、平均绝对误差（MAE）和均方根差（RMSE）对结果进行衡量。5-fold 交叉验证的结果如下：
60%-40% 的训练集-测试集分割结果如下：
我将使用 80%-20% 的训练集-测试集分割，类似执行他们的交叉验证的 1-fold。结果如下：
RMSE: 0.301799791952313
MAE: 0.2333630505619627
PC: 0.9012570266136678相当不错。此外，查看分数散点图和直方图很方便：
原始分数分布（正态）：
预测分数分布（正态）：
结果看起来不错。现在我们来看下这个深度神经网络给我打几分吧。我一开始用了这张照片：
得分 2.85，我只比该数据集中 52% 的人好看……不得不说有点失望，我原本以为结果比这好，于是我决定再试试。
我拍了很多照片，最终有一张得了 3.15 分，这意味着我比该数据集中 64% 的人更好看～
好多了～老实讲我还是想得更高分~
最后说明一下，我使用 Google Colaboratory 构建和调整模型，它提供 Python notebook，可以免费使用 GPU！
论文：SCUT-FBP5500: A Diverse Benchmark Dataset for Multi-Paradigm Facial Beauty Prediction
摘要：颜值预测（facial beauty prediction，FBP）是使人脸魅力评估达到人类感知程度的重要视觉识别问题。为了解决该问题，不同的数据驱动模型，尤其是当前最优的深度学习技术被引入，基准数据集成为实现 FBP 的必要因素。之前的研究将颜值识别作为一个特定的分类、回归或排序的监督学习问题，表明 FBP 本质上是一个具备多个范式的计算问题。但是，大部分 FBP 基准数据集是在特定的计算约束下构建的，这限制了在该数据集上训练的模型的性能和灵活性。本论文中，我们认为 FBP 是一个多范式的计算问题，并提出一种新的多元化基准数据集 SCUT-FBP5500，来实现多范式颜值预测。该数据集共有 5500 个人脸正面照片，这些照片具备不同属性（男性／女性，年龄等）和不同标签（面部地标、颜值得分（1~5）、颜值得分分布），允许具备不同 FBP 范式的不同计算模型，如基于外表／身材的亚洲人／高加索人的男性／女性的颜值的分类／回归模型。我们使用不同的特征和预测器组合、不同的深度学习方法评估 SCUT-FBP5500 数据集，结果表明在该数据集上 FBP 有所改进，且具备潜在应用。
注：点击“阅读原文”即可查看原文内容。内容仅为作者观点，不代表DT财经立场。
作者 | Dima Shulga
编译 | 路、刘晓坤
题图 | 站酷海洛
▍数据侠门派
本文数据侠Dima Shulga，HiredScore数据科学家，毕业于以色列开放大学。
