一个基于TensorFlow的「颜值评分」开源项目：FaceRank

简评：用深度学习来评判颜值，已开源。好友
@小灰灰 大大的「
颜值评分 FaceRank」，这是基于 TensorFlow 的 CNN 模型，美不美机器说了算。

我们常看到用机器学习识别字体，自动驾驶等项目，今天给大家推荐一个有趣的项目 FaceRank，这是个开源项目，它基于 TensorFlow CNN 模型，提供了一些图片处理的工具集，后续还会提供训练好的模型。

从此以后，让它来帮你寻找高颜值的小电影，帮你筛选附近高颜值的妹子（汉子），让它帮你给学校或者公司帅哥美女做个排行榜，让它给明星打分并且你可以自豪的说「一切都是人工智能的选择」。。。

以下是机器给苍老师的打分。

（机器给苍老师打了 7 分，这已经是很高的分数了，果然德艺双磬）

数据集

• 130 张 128*128 张网络图片，图片名：1-3.jpg 表示 分值为 1 的第 3 张图。 你可以把符合这个格式的图片放在 resize_images 来训练模型。
• find_faces_in_picture.py

find_and_save_face 基于 face_recognition 从图片中找到人脸的坐标，并保存为新图片。

from PIL import Image
import face_recognition
import os
print("h")
def find_and_save_face(web_file,face_file):
# Load the jpg file into a numpy array
image = face_recognition.load_image_file(web_file)
print(image.dtype)
# Find all the faces in the image
face_locations = face_recognition.face_locations(image)
print("I found {} face(s) in this photograph.".format(len(face_locations)))
for face_location in face_locations:
# Print the location of each face in this image
top, right, bottom, left = face_location
print("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right))
# You can access the actual face itself like this:
face_image = image[top:bottom, left:right]
pil_image = Image.fromarray(face_image)
pil_image.save(face_file)
print("h")
list = os.listdir("web_image/")
print(list)
for image in list:
id_tag = image.find(".")
name=image[0:id_tag]
print(name)
web_file = "./web_image/" +image
face_file="./face_image/"+name+".jpg"
im=Image.open("./web_image/"+image)
try:
find_and_save_face(web_file, face_file)
except:
print("fail")


• 然后再用 resize 统一为 128×128 大小，为模型训练做准备。

模型

人脸打分基于 TensorFlow 的 CNN 模型 代码参考 : TensorFlow-Examples

卷积神经网络部分代码，网络结构说明：

• 卷积层
• 池化层
• 卷积层
• 池化层
• 全链接层

# Create model
def conv_net(x, weights, biases, dropout):
# Reshape input picture
x = tf.reshape(x, shape=[-1, 128, 128, 3])
# Convolution Layer
conv1 = conv2d(x, weights['wc1'], biases['bc1'])
print(conv1.shape)
# Max Pooling (down-sampling)
conv1 = maxpool2d(conv1, k=2)
print(conv1.shape)
# Convolution Layer
conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])
print(conv2.shape)
# Max Pooling (down-sampling)
conv2 = maxpool2d(conv2, k=2)
print(conv2.shape)
# Fully connected layer
# Reshape conv2 output to fit fully connected layer input
fc1 = tf.reshape(conv2, [-1, weights['wd1'].get_shape().as_list()[0]])
fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
fc1 = tf.nn.relu(fc1)
# Apply Dropout
fc1 = tf.nn.dropout(fc1, dropout)
# Output, class prediction
out = tf.add(tf.matmul(fc1, weights['out']), biases['out'])
return out


运行

安装好 TensorFlow 之后，直接运行 train_model.py .

• 训练模型
• 保存模型到 model 文件夹

测试

运行完 train_model.py 之后,直接运行 run_model.py 来测试.

下载

训练好的模型下载网址： （文件较大，正在上传） http://www.tensorflownews.com/

模型效果

• 训练过程 你可以看训练过程：Train_Result.md ,这里有损失函数和准确率变化过程。
• 测试结果 结果并不非常好，但是增加数据集之后有所改善。

(?, 128, 128, 24)
(?, 64, 64, 24)
(?, 64, 64, 96)
(?, 32, 32, 96)
['1-1.jpg', '1-2.jpg', '10-1.jpg', '10-2.jpg', '2-1.jpg', '2-2.jpg', '3-1.jpg', '3-2.jpg', '4-1.jpg', '4-2.jpg', '5-1.jpg', '5-2.jpg', '6-1.jpg', '6-2.jpg', '7-1.jpg', '7-2.jpg', '8-1.jpg', '8-2.jpg', '9-1.jpg', '9-2.jpg']
20
(10, 128, 128, 3)
[3 2 8 6 5 8 0 4 7 7]
(10, 128, 128, 3)
[2 6 6 6 5 8 7 8 7 5]
Test Finished!


支持

• 提交 issue
• Github: https://github.com/fendouai/FaceRank

转载：欢迎转载，保留出处。

原文：
Github &＃8211; FaceRank