Автоматизация интернет-знакомств

Азамат Галимжанов @ Moscow Python 35

Transcript

1. Автоматизация знакомств в Интернете
2. • Азамат, 26 лет, бородат Знакомство Старая фотка
3. Знакомство • Азамат, 26 лет, бородат • 5 лет python
4. Знакомство • Азамат, 26 лет, бородат • 5 лет python • Стартап «ГдеМатериал»
5. Знакомство • Азамат, 26 лет, бородат • 5 лет python • Стартап «ГдеМатериал» • В Москве недавно
6. Знакомство с тиндером • Приложение для знакомств
7. Знакомство с тиндером • Приложение для знакомств • Нравится \ не нравится
8. Знакомство с тиндером • Приложение для знакомств • Нравится \ не нравится
9. Знакомство с тиндером • Приложение для знакомств • Нравится \ не нравится • Занимает много времени
10. Знакомство с существующими решениями • Тривиальные
11. Знакомство с существующими решениями • Тривиальные • Нетривиальные
12. Знакомство с существующими решениями • Тривиальные • Нетривиальные • tinderbox
13. Знакомство с красотой • Google
14. Знакомство с красотой • Google
15. Знакомство с красотой • Симметрия
16. Знакомство с красотой • Симметрия
17. Знакомство с Machine Learning
18. Знакомство с Machine Learning • Сложно?
19. Знакомство с Machine Learning • Данные • Обучение • Предсказание
20. Знакомство с dlib • Библиотека ML, написана на С++ • Есть встроенные методы для нахождения лица • shape_predictor_68_face_landmarks.dat
22. Знакомство с dlib detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') [np.array([p.x, p.y]) for p in predictor(img, rects[0]).parts()]
24. ratios = [] points = get_landmarks(img) combinations = itertools.combinations(points, 4) for cmb in combinations: d1 = np.linalg.norm(cmb[0] - cmb[1]) d2 = np.linalg.norm(cmb[2] - cmb[3]) ratio = d1 / d2 ratios.append(ratio)
25. combinations = list(itertools.combinations(landmarks, 4)) cmbs = np.asarray(combinations) # Each combination is 4 points column_1 = cmbs[:,0] column_2 = cmbs[:,1] column_3 = cmbs[:,2] column_4 = cmbs[:,3] # Get distances between each pair of points diff1 = column_1 - column_2 diff2 = column_3 - column_4 d1 = np.sqrt((diff1 * diff1).sum(axis=1)) d2 = np.sqrt((diff2 * diff2).sum(axis=1)) # Get ratio of these distances features = d1 / d2
26. Знакомство с scikit-learn • Популярная python ML библиотека • Интеграция с numpy, scipy
27. pictures = Picture.objects.exclude(rating=0) for pic in pictures: img = Image.open(pic.img.path) faces, landmarks = get_landmarks(img) pic.features = get_features(landmarks) pic.save()
28. pictures = Picture.objects.exclude(rating=0).exclude(features=None) features = np.array(pictures.values_list('features', flat=True)) ratings = np.array(pictures.values_list('rating', flat=True))
29. print len(features[0])
30. print len(features[0]) 31465
32. pca = decomposition.PCA(n_components=200) pca.fit(features) features = pca.transform(features)
34. regr = linear_model.LinearRegression() regr.fit(features, ratings)
35. features = get_features(landmarks) features = pca.transform(features.reshape(1, -1)) regr.predict(features) [ 8.02760153] 

36. Correlation: 0.793359439459 time: 1min 4s
37. Знакомство с tinder api • Нет оффициального
38. Знакомство с tinder api • Нет оффициального • Reverse-engineered REST API
40. Pynder: session = pynder.Session(facebook_id, token) for user in session.nearby_users(): users_queue.enqueue(process_tinder_user, user)
41. Примеры [ 6.71781831] [ 7.55022878 ] [ 7.0911563 ] [ 9.27091805]
42. Ссылки, сноски • http://crockpotveggies.com/2015/02/09/automating-tinder-with- eigenfaces.html • http://www.learnopencv.com/facial-landmark-detection/ • http://www.learnopencv.com/computer-vision-for-predicting-facial- attractiveness/
43. Вопросы? • azamat@galimzhanov.com • https://github.com/khazidhea/