使用深度学习对你的颜值打分
华南理工大学曾发表了一篇关于“面部美容预测”的论文和数据集。你可以在找到它。数据集包括5500人，他们的吸引力在1至5分之间。
以下是文中的一些示例：
集合中还有几个名人。朱莉娅·罗伯特（Julia Robert）的照片平均得分为3.78：
以色列著名模特Bar Refaeli的这张照片得到3.7分：
这些看起来像是低分，但是3.7分意味着bar比数据集中约80％的人颜值更高。
与数据集一起，作者训练了多个模型，这些模型试图根据面部图片预测一个人的颜值。
在这篇文章中，我将重现他们的结果。
原始论文实现了许多不同的模型，包括具有手工功能的经典ML模型和3种深度学习模型：AlexNet，ResNet18和ResNext50。
我想让我的工作尽可能简单（我不想resnet从头开始实现和训练整个网络），我想微调一些可以完成工作的现有模型。在中keras，有一个名为的模块applications，该模块是不同的预训练模型的集合。其中之一是resnet50。不幸的是，由于没有ResNet18或ResNext50，keras.applications因此我将无法复制完全相同的作品，但是我应该足够接近resnet50。
from keras.applications import ResNet50ResNet是由Microsoft开发并赢得2015年ImageNet竞赛的深度卷积网络，这是图像分类任务。
在启动resnet50 模型时keras，我们将使用ResNet50架构创建一个模型，并下载ImageNet数据集上已训练的权重。
该论文的作者没有提及他们如何精确训练模型，因此我将尽力而为。我想删除最后一层（“ softmax”层）并添加没有激活功能的全连接层来执行回归。
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您可以看到我使第一层（resnet模型）不可训练，因此我只有2049个可训练参数，而不是23589761。
我的计划是训练最终的Dense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)在那之后，我将第一层更改为可训练，编译并拟合模型以适应另外30 epochs。
这里train_X是照片，即，numpy形状的阵列(350, 350, 3)，和train_Y是图像的分数作为被标记。
结果
论文使用两种技术训练了模型：5倍交叉验证和60％-40％训练测试拆分。他们使用Pearson相关（PC），平均绝对误差（MAE）和均方根误差（RMSE）来测量结果。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％的训练测试划分获得的结果：
我将进行80％-20％的训练测试拆分，因此类似于执行其交叉验证部分的1倍。
我得到以下结果：
RMSE：0.301799791952313
MAE：0.2333630505619627
PC：0.9012570266136678非常好。另外，最好查看散点图和分数的直方图：
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。