今天我们分享的Python程序，是一款用深度学习来为颜值评分的应用，在科技飞速发展的当今社会，我们可以通过机器学习实现自动驾驶、识别字体等，甚至连谷歌研发的Alphago都可以向人类的围棋事业发出挑战。所以，今天码趣君给大家推荐一款有趣的小项目——FaceRank。

FaceRank

提供了图片处理的工具集，它是基于TensorFlow的CCN模型。有了这个模型，只要给它一张照片，它就能帮我们来筛选高颜值的小姐姐(小哥哥)，还可以在校园校草校花的评比中，作出可靠的参考预测。当你想给明星的颜值打个分时，你可以将这个工作交给FaceRank，这时你可以告诉别人，这是人工智能打出的分数，很客观的呦！

TensorFlow

是谷歌研发的第二代人工智能学习系统，是将复杂的数据结构传输至人工智能神经网中，进行分析和处理的一套系统。它可用于语音识别或图像识别等多项机器深度学习领域，可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用。

什么是开源项目？

开源项目指源码被公众使用的软件，并且软件的使用、修改和发行不受许可证的限制。

下载

Tensorflow 安装：pip install tensorflow

简介：Tensorflow 是谷歌的机器学习框架，FaceRank 使用了基于它的 CNN 模型。 http://www.tensorflownews.com/2017/07/28/installing-tensorflow-tensorflow/

face_recognition 安装：pip install face_recognition

简介：这个库在项目中，用来从图片中截出人脸，并保存为新文件，方便生成数据集。 这个库比较难装，如果直接安装失败，建议使用 docker。

数据集

1. 我们现在需要130张128*128的随意的图片

2. 要注意图片的命名：图片名：1-3.jpg，表示分值为1的第3张图片。

3. 请将符合上述名格式的图片放在resize_images中，目的是训练模型。

4. find_faces_in_picture.py这个函数，运用find_and_save_face就如翻译一样，是从图片中找到人脸的坐标(关键是坐标)，并且保存为新图片。

5. 用resize将图片统一为128*128的大小，为之后的模型训练打下坚实的基础。

人脸打分的基础是 TensorFlow 中的CNN 模型

网络结构

而下列代码的网络结构是：

卷积层池化层卷积层池化层全链接层

卷积层：在泛函分析中，卷积、旋积或摺积(英语：Convolution)是通过两个函数f 和g 生成第三个函数的一种数学算子，表征函数f 与g经过翻转和平移的重叠部分的面积。

池化层：池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果CNN网络中前几层的卷积层参数量占比小，计算量占比大；而后面的全连接层正好相反，大部分CNN网络都具有这个特点。因此我们在进行计算加速优化时，重点放在卷积层；进行参数优化、权值裁剪时，重点放在全连接层。

以下代码为卷积神经网络部分代码：

# Create model

def conv_net(x, weights, biases, dropout):

# Reshape input picture

x = tf.reshape(x, shape=[-1, 128, 128, 3])

# Convolution Layer(卷积层)

conv1 = conv2d(x, weights['wc1'], biases['bc1'])

print(conv1.shape)

# Max Pooling (down-sampling)(池化层)

conv1 = maxpool2d(conv1, k=2)

print(conv1.shape)

# Convolution Layer(卷积层)

conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])

print(conv2.shape)

# Max Pooling (down-sampling) (池化层)

conv2 = maxpool2d(conv2, k=2)

print(conv2.shape)

# Fully connected layer(全链接层)

# 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 ou

训练

一切都准备好了，可以直接运行 train_model.py

这部分内容在 Github 有比较详细说明：

可以参考：https://github.com/fendouai/FaceRank/

测试

运行完 train_model.py 之后,可以通过运行 run_model.py 来测试模型是否完整，也可以在这个过程中查找漏洞.

模型使用

FaceRank在训练之后，可以直接运行。因为FaceRank具有模型保存功能，所以非常的智能。

run_model.py ：可以成函数或者类库使用，很方便。

(来源：http://www.tensorflownews.com/)

以上是今天给大家带来的小项目，这个项目是以Python为基础的编程，如果感兴趣的小伙伴们可以尝试一下。Python语言具有简洁、易读、易操作特征，可以快速呈现效果，利于激发青少年学习动力和信心；同时，Python也被称为“胶水语言”，具有扩展性，能够把其他语言制作的模块轻松地进行链接。