selena
Selena Gomez私服街拍合集。随性时髦的夏日甜心[爱慕] ???
selena和justin
他的前女友是赛琳娜·戈麦斯（Selena Gomez），1992年7月22日出生于美国得克萨斯州，美国女演员、歌手、制片人她和比伯相识于2009年，两人在2011年对外公布恋情，后分分合合数次，最终两人还是没能在一起，比伯后来也跟别人结婚了，两人彻底关系断裂。
selena怎么读
全文共7985字，预计学习时长20分钟
图源：unsplash
你能从下图中认出自己最喜爱的名人吗？当然可以啦。而计算机会如何完成这项任务呢？接下来的几分钟里，让我们来训练一个用来识别名人人脸的模型！完成这项任务，我们要用到同种算法！
图源：Kaggle — Pins Face Recognition
该数据集来源于Pinterest，而后经过精心策划——裁剪和标记。其中，从Adriana Lima到Tom Ellis，包含105位名人及17534张人脸。通过Kaggle临时令牌导入Kaggle数据集（在Google Colab上）：
from google.colab import files """upload your Kaggle temporary token downloaded from yourKaggle account onto your local device"""files.upload() Out:Saving kaggle.json to kaggle.json{'kaggle.json': b'{"username":"xxx","key":"yyy"}'}
下载数据集：
!mkdir -p ~/.kaggle!cp kaggle.json ~/.kaggle/!chmod 600 ~/.kaggle/kaggle.json!kaggle datasets download -dhereisburak/pins-face-recognitionOut:Downloading pins-face-recognition.zip to /content 97% 361M/372M [00:13<00:00, 20.9MB/s]100% 372M/372M [00:14<00:00, 27.8MB/s]
检查文件是否下载成功：
!lsOut:kaggle.json pins-face-recognition.zip sample_data
解压文件：
!unzip "pins-face-recognition.zip" -d /tmp
检查每个目录下的文件数量：
import osprint(len(os.listdir('/tmp')))print(len(os.listdir('/tmp/105_classes_pins_dataset/')))print(len(os.listdir('/tmp/105_classes_pins_dataset/pins_tom ellis/')))print(len(os.listdir('/tmp/105_classes_pins_dataset/pins_margot robbie/')))Out:1105180221
随机选取一系列图像并打印它们的形状：
import cv2a = 60b = 3241for i in range(8): im =cv2.imread('/tmp/105_classes_pins_dataset/pins_margot robbie/ margotrobbie'+str(a+i)+'_'+str(b+i)+'.jpg') print(im.shape)Out:(320, 302, 3)(221, 209, 3)(225, 209, 3)(221, 209, 3)(387, 365, 3)(266, 251, 3)(225, 209, 3)(185, 175, 3)
这些都是不同维度的形状。尝试在Margot Robbie的目录下绘制一系列图像：
from matplotlib import pyplot from matplotlib.image import imread folder = '/tmp/105_classes_pins_dataset/pins_margot robbie/' for i in range(8): pyplot.subplot(330 + 1 + i) filename = folder+'margotrobbie'+str(a+i)+'_'+str(b+i)+'.jpg' image = imread(filename) pyplot.imshow(image) pyplot.show()
尝试对2020年一月份的世界首富Elon Musk的目录做同样的工作：
from matplotlib import pyplot from matplotlib.image import imread folder = '/tmp/105_classes_pins_dataset/pins_elon musk/' a = 191 b = 1575 for i in range(7): pyplot.subplot(330 + 1 + i) filename = folder+'elonmusk'+str(a+i)+'_'+str(b+i)+'.jpg' image = imread(filename) pyplot.imshow(image) pyplot.show()
看！价值连城的微笑！我们需要的一些库：
import numpy as npfrom PIL import Imageimport operatorfrom operator import itemgetter
尝试重设图像大小——以Talor Swift为例（更改为128*128*3）：
from PIL import Image img = Image.open('/tmp/105_classes_pins_dataset/pins_Taylor Swift/TaylorSwift4_4643.jpg') img = img.resize((128,128)) img
np.asarray(img) #display the pixel arrayOut:array([[[187, 191, 202], [187, 191, 202], [187, 191, 202], ..., [ 94, 85, 78], [104, 95, 87], [ 98, 89, 80]], [[187, 191, 202], [188, 192, 203], [188, 192, 203], ..., [ 82, 72, 66], [ 95, 84, 77], [ 92, 82, 73]], [[187, 191, 202], [187, 191, 202], [187, 191, 202], ..., [107, 96, 91], [105, 94, 87], [100, 90, 81]], ..., [[244, 143, 171], [243, 143, 171], [242, 145, 172], ..., [186, 135, 105], [190, 137, 109], [193, 138, 111]], [[236, 144, 169], [234, 144, 169], [234, 149, 172], ..., [187, 147, 117], [191, 148, 121], [184, 140, 114]], [[232, 142, 167], [230, 143, 167], [232, 150, 172], ..., [170, 137, 107], [152, 116, 89], [143, 104, 78]]], dtype=uint8)
检查重设后图像的宽度和高度：
width, height = img.sizeprint(width, height)Out:128 128
现在，麻烦的部分来了：逐个目录进行迭代，而后遍历其中的图像——直接将它们的大小重设为(128*128)，并将每张图像的像素矩阵附加到X上，对应的名人标签附加到y上——跟踪我们的计数：
X = []y = []count = 0dir="/tmp/105_classes_pins_dataset/"for i in os.listdir(dir): print(i,":",len(os.listdir(dir+"/"+i))) count+=len(os.listdir(dir+"/"+i)) for j inos.listdir(dir+"/"+i): img =Image.open(dir+"/"+i+"/"+j) img = img.resize((128,128)) X.append(np.asarray(img)) y.append(i)print(count)X = np.asarray(X)y = np.asarray(y)print(X.shape, y.shape)Out:pins_ellen page : 188pins_Avril Lavigne : 162pins_Marie Avgeropoulos : 161pins_Rebecca Ferguson : 178pins_Robert De Niro : 156pins_Emilia Clarke : 210pins_Dwayne Johnson : 141pins_Josh Radnor : 117pins_Ben Affleck : 126pins_Zoe Saldana : 186pins_camila mendes : 162pins_Morgan Freeman : 105pins_Alvaro Morte : 139pins_Pedro Alonso : 125pins_Taylor Swift : 131pins_Natalie Dormer : 198pins_Andy Samberg : 196pins_grant gustin : 183pins_Brie Larson : 169pins_Lindsey Morgan : 169pins_Lionel Messi : 86pins_kiernen shipka : 203pins_Mark Ruffalo : 178pins_Gwyneth Paltrow : 187pins_tom ellis : 180pins_Tuppence Middleton : 133pins_Tom Hardy : 198pins_Wentworth Miller : 179pins_Amanda Crew : 117pins_Nadia Hilker : 133pins_Jason Momoa : 184pins_Megan Fox : 209pins_Rami Malek : 160pins_Zendaya : 138pins_Stephen Amell : 159pins_Elizabeth Lail : 158pins_gal gadot : 199pins_margot robbie : 221pins_Dominic Purcell : 146pins_Leonardo DiCaprio : 237pins_Tom Holland : 189pins_Jessica Barden : 141pins_Penn Badgley : 171pins_Sarah Wayne Callies : 159pins_Bill Gates : 122pins_Johnny Depp : 182pins_Jimmy Fallon : 113pins_Chris Evans : 166pins_Jennifer Lawrence : 180pins_Richard Harmon : 148pins_scarlett johansson : 201pins_Brenton Thwaites : 209pins_elizabeth olsen : 221pins_elon musk : 135pins_Irina Shayk : 156pins_Henry Cavil : 195pins_Inbar Lavi : 127pins_Sophie Turner : 204pins_Shakira Isabel Mebarak : 154pins_Jeremy Renner : 167pins_barack obama : 119pins_Chris Pratt : 176pins_amber heard : 218pins_Madelaine Petsch : 192pins_Lili Reinhart : 150pins_Ursula Corbero : 167pins_Alex Lawther : 152pins_Zac Efron : 191pins_Selena Gomez : 186pins_alycia dabnem carey : 211pins_Morena Baccarin : 175pins_Danielle Panabaker : 181pins_Emma Watson : 211pins_Katharine Mcphee : 177pins_Logan Lerman : 212pins_Anne Hathaway : 203pins_Rihanna : 133pins_jeff bezos : 106pins_Jake Mcdorman : 159pins_Mark Zuckerberg : 95pins_Adriana Lima : 213pins_Brian J. Smith : 102pins_barbara palvin : 197pins_Robert Downey Jr : 233pins_Emma Stone : 139pins_Tom Cruise : 192pins_Eliza Taylor : 162pins_Cristiano Ronaldo : 98pins_Maisie Williams : 193pins_Miley Cyrus : 178pins_Millie Bobby Brown : 191pins_Alexandra Daddario : 225pins_Christian Bale : 154pins_melissa fumero : 154pins_Natalie Portman : 166pins_Neil Patrick Harris : 116pins_Anthony Mackie : 124pins_Bobby Morley : 138pins_Krysten Ritter : 171pins_Hugh Jackman : 179pins_Katherine Langford : 226pins_Chris Hemsworth : 159pins_Tom Hiddleston : 181pins_Maria Pedraza : 122pins_Keanu Reeves : 16017534(17534, 128, 128, 3) (17534,)
注意：可以优化的地方——在重设大小的同时，可以将这些图像直接转换成灰阶——因为颜色在此没什么意义，处理灰阶图像的计算成本更低。
重设X (17534, 128, 128, 3)为(17534, 128*128*3)：
X = X.reshape(17534, 49152).astype('float32')
对0至1之间的像素进行标准化：
X/=255X.shapeOut:(17534, 49152)
从零开始实现
先定义一个返回两点之间欧氏距离的函数：
def euc_dist(x1, x2): return np.sqrt(np.sum((x1-x2)**2))
注意：可以优化的地方——可以用曼哈顿距离替代欧氏距离，因为平方计算成本较高，尤其是在处理这样的多维像素矩阵的时候！
现在，编写一个名为“KNN”的类，并为“K”值初始化一个实例：
class KNN: def __init__(self, K=3): self.K = K
将一个用于初始化实例的函数添加到类，以与训练集匹配——X-train和y-train：
class KNN: def __init__(self, K=3): self.K = K def fit(self, x_train, y_train): self.X_train = x_train self.Y_train = y_train
将预测函数添加到类：
def predict(self, X_test): predictions = [] for i in range(len(X_test)): dist =np.array([euc_dist(X_test[i], x_t) for x_t in self.X_train]) dist_sorted =dist.argsort()[:self.K] neigh_count = {} for idx in dist_sorted: if self.Y_train[idx] inneigh_count: neigh_count[self.Y_train[idx]] += 1 else: neigh_count[self.Y_train[idx]]= 1 sorted_neigh_count =sorted(neigh_count.items(), key=operator.itemgetter(1),reverse=True) predictions.append(sorted_neigh_count[0][0]) return predictions
我们来一行一行理解——
首先初始化了一个用于存储预测结果的列表，然后运行一个循环来计算每个测试示例与相应训练示例之间的欧式距离，并将这些距离存储在NumPy数组中，之后返回这些距离的第一个K排序值的索引，然后创建一个字典，其中类标签为键，它们的事件为值。
接着，将每个键值对的计数添加到neigh_count字典中，之后，根据出现次数，将键值对降序排列，其中，出现最多的值将是对每个训练示例的预测结果。然后，返回预测结果。
最终代码——
def euc_dist(x1, x2): returnnp.sqrt(np.sum((x1-x2)**2))class KNN: def __init__(self, K=3): self.K = K def fit(self, x_train,y_train): self.X_train = x_train self.Y_train = y_train def predict(self, X_test): predictions = [] count = 0 for i inrange(len(X_test)): count = count + 1 dist =np.array([euc_dist(X_test[i], x_t) for x_t in self.X_train]) dist_sorted =dist.argsort()[:self.K] neigh_count = {} for idx indist_sorted: ifself.Y_train[idx] in neigh_count: neigh_count[self.Y_train[idx]] += 1 else: neigh_count[self.Y_train[idx]] = 1 sorted_neigh_count = sorted(neigh_count.items(),key=operator.itemgetter(1), reverse=True) print(str(count)+''+str(sorted_neigh_count[0][0])) predictions.append(sorted_neigh_count[0][0]) return predictions
以上就是从零开始实现KNN的内容，现在，在处理过的数据集上测试一下这个模型吧！如果你是在Google Colob上做的——使用GPU运行速度会更快！
from sklearn.metrics importaccuracy_scoremodel = KNN(K = k) #experiment with different k valuesmodel.fit(X_test, y_test)pred = model.predict(X_test)""" You can now test your model on different classificationmetrics! Good Luck!"""
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范
