[PYTHON] Sammlung und Automatisierung erotischer Bilder durch Deep Learning

Einführung

Erotische Bilder sind die besten.

Jeder kann ungezogene Dinge frei machen, solange er erotische Bilder haben. Sie können von sich aus sexuell erregt sein, auch wenn Sie sie nicht haben. Sie können eine gewisse Befriedigung spüren und in das Glück eintauchen. Jeder Geschmack steht zu Ihrer Verfügung.

Daher ist das Sammeln erotischer Bilder für uns Menschen keine Übertreibung, um es als Spezies zu bezeichnen, genau wie ein Mistkäfer, der Kot rollt.

Wir sind jedoch die längsten Kreaturen von Primaten. Es sollte nicht dasselbe sein wie der Mistkäfer, der seit Zehntausenden von Jahren auf die gleiche Weise Kot rollt. Es ist die Menschheit, die erotische Bilder effizienter und enthusiastischer sammelt.

Trotzdem ist das Sammeln erotischer Bilder sehr schwierig. Es ist notwendig, verschiedene Standorte zu besuchen, sie sorgfältig zu untersuchen und dann die angepassten Gegenstände nach einem zuverlässigen Schema zu sammeln und zu strukturieren. Viele Menschen brauchen je nach Tag unterschiedliche.

Übrigens ist Deep Learning in letzter Zeit populär geworden.

Sowohl Katzen als auch Schöpflöffel lernen tief.

Was können Sie mit tiefem Lernen tun, wenn Sie ein schwieriges Projekt erreichen? Die Anzahl solcher Konsultationen hat zugenommen. Wenn Sie ein Projekt mit geringer Auftragsgenauigkeit treffen, können Sie vorerst nicht die Aufmerksamkeit von Kunden mit tiefem Lernen auf sich ziehen? Ist es nicht beliebt? Die Zahl der Verkäufer, die so tun, als wäre sie gestiegen.

Dies ist auch dann der Fall, wenn ich mich mit Ingenieuren außerhalb des Unternehmens treffe. Es ist also ein einfacher Sieg beim Deep Learning, oder? Es gibt mehr Möglichkeiten, über Dinge zu sprechen, die durch tiefes Lernen gelöst würden. Jeder und er dreht sich alles um tiefes Lernen.

Wenn es also so beliebt ist, muss man sich der Herausforderung stellen.

Ich habe versucht, erotische Bilder mit tiefem Lernen zu sammeln.

Implementierung

Ich habe Chainer für die Implementierung verwendet.

Es ist ein sicheres Inlandsprodukt.

Das Modell sieht folgendermaßen aus:

class NIN(chainer.Chain):

  def __init__(self, output_dim, gpu=-1):
    w = math.sqrt(2)
    super(NIN, self).__init__(
      mlpconv1=L.MLPConvolution2D(3, (16, 16, 16), 11, stride=4, wscale=w),
      mlpconv2=L.MLPConvolution2D(16, (32, 32, 32), 5, pad=2, wscale=w),
      mlpconv3=L.MLPConvolution2D(32, (64, 64, 64), 3, pad=1, wscale=w),
      mlpconv4=L.MLPConvolution2D(64, (32, 32, output_dim), 3, pad=1, wscale=w),
    )
    self.output_dim = output_dim
    self.train = True
    self.gpu = gpu

  def __call__(self, x, t):
    h = F.max_pooling_2d(F.relu(self.mlpconv1(x)), 3, stride=2)
    h = F.max_pooling_2d(F.relu(self.mlpconv2(h)), 3, stride=2)
    h = F.max_pooling_2d(F.relu(self.mlpconv3(h)), 3, stride=2)
    h = self.mlpconv4(F.dropout(h, train=self.train))
    h = F.average_pooling_2d(h, 10)

    h = F.reshape(h, (x.data.shape[0], self.output_dim))

    loss = F.softmax_cross_entropy(h, t)
    print(loss.data)
    return loss

Wie Sie sehen können, habe ich gerade mit dem NIN-Sample gespielt, das mit dem Chainer geliefert wurde. Außerdem habe ich damit gespielt, dass der Speicher des VPS für die Entwicklung klein war, sodass ich kein komplizierteres Modell trainieren konnte. Selbst mit diesem Modell werden beim Lernen etwa 2 GB benötigt.

Für die Daten zum Lernen habe ich die im Internet veröffentlichten Illustrationen verwendet. Von insgesamt 2000 Bildern sind 1000 Bilder, auf die der Sohn reagiert, seltene Bilder, und 1000 unerwartete Bilder sind häufige Bilder, und die Klassifizierung erfolgt zwischen den beiden Typen.

Bestätigung

Die folgenden drei Bilder wurden verwendet, um die Ergebnisse zu überprüfen.

Das erste ist das Cover meines Buches "Tanaka-Age Equals, ein Zauberer, der keine Geschichte hat". Die zweite ist meine Schwiegertochter, die von einem 3D-Mädchen eine Geschäftsreise angefordert hat. Und der dritte war der, als ich das Schänderspiel mit ihr im Zug genoss.

Wir haben diese drei Bilder mit dem obigen Modell bewertet.

Als Ergebnis wurden die folgenden Bewertungen erhalten.

1

{
  "result": [
    [
      0.9290218353271484, 
      "1,rare"
    ], 
    [
      0.07097823172807693, 
      "0,common"
    ]
  ]
}

Zweites Stück

{
  "result": [
    [
      0.6085503101348877, 
      "0,common"
    ], 
    [
      0.3914496898651123, 
      "1,rare"
    ]
  ]
}

Drittes Stück

{
  "result": [
    [
      0.5935600399971008, 
      "1,rare"
    ], 
    [
      0.40644001960754395, 
      "0,common"
    ]
  ]
}

Ähnlich wie bei der mit dem Chainer gelieferten Imagenet-Probe ist diese umso näher, je höher der Wert für das entsprechende Etikett ist. Mit anderen Worten, je höher der seltene Wert, desto glücklicher wird der Sohn sein.

Zu diesem Zeitpunkt fühlte ich eine Reaktion.

Um erotische Bilder realistischer zu erfassen, greifen wir auf die oben genannte Modell-API zu, lesen das beim Echtzeit-Crawlen von Twitter erfasste Bild, speichern das Ergebnis in der Datenbank und ordnen die Webanwendung. erstellt.

Die Konfiguration ist wie folgt.

version: '2'

volumes:
  db-data:
    driver: local
  object-data:
    driver: local

services:
  db:
    container_name: db
    image: mysql
    volumes:
      - db-data:/var/lib/mysql
      # - ./dockerfiles/staging/mysql:/docker-entrypoint-initdb.d
    environment:
      MYSQL_ROOT_PASSWORD: $APP_DATABASE_PASSWORD
      MYSQL_DATABASE: app_staging
      MYSQL_USER: xxxx
      MYSQL_PASSWORD: $APP_DATABASE_PASSWORD
    expose:
      - "3306"
    restart: always

  app:
    build:
      context: ../../
      dockerfile: dockerfiles/staging/app/Dockerfile
    environment:
      RAILS_LOG_TO_STDOUT: 'true'
      RAILS_SERVE_STATIC_FILES: 'true'
      RAILS_ENV: 'staging'
      DISABLE_DATABASE_ENVIRONMENT_CHECK: $DISABLE_DATABASE_ENVIRONMENT_CHECK
      APP_SECRET_KEY_BASE: $APP_SECRET_KEY_BASE
      APP_DATABASE_USERNAME: xxxx
      APP_DATABASE_PASSWORD: $APP_DATABASE_PASSWORD
      APP_DATABASE_HOST: db
      TW_CONSUMER_KEY: $TW_CONSUMER_KEY
      TW_CONSUMER_SECRET: $TW_CONSUMER_SECRET
      TW_ACCESS_TOKEN: $TW_ACCESS_TOKEN
      TW_ACCESS_TOKEN_SECRET: $TW_ACCESS_TOKEN_SECRET

  minio:
    build:
      context: ../../
      dockerfile: dockerfiles/staging/minio/Dockerfile
    volumes:
      - object-data:/var/lib/minio
    environment:
      MINIO_ACCESS_KEY: 'xxx'
      MINIO_SECRET_KEY: 'xxx'
    ports:
      - '0.0.0.0:9000:9000'
    command: [server, /export]

  calc:
    container_name: calc
    build:
      context: ../../
      dockerfile: dockerfiles/staging/calc/Dockerfile
    command: python web.py
    expose:
      - "5000"

  web:
    container_name: web
    extends:
      service: app
    command: bin/wait_for_it db:3306 -- pumactl -F config/puma.rb start
    expose:
      - "3000"
    depends_on:
      - db

  crawler:
    container_name: crawler
    extends:
      service: app
    command: bin/wait_for_it db:3306 -- rails runner bin/crawler.rb
    depends_on:
      - calc
      - db

  nginx:
    container_name: nginx
    build:
      context: ../../
      dockerfile:  dockerfiles/staging/nginx/Dockerfile
    ports:
      - '80:80'
      - '443:443'
    depends_on:
      - web

Ich habe eine Weile versucht, Beilagen auf Twitter zu sammeln.

Die Ergebnisse sind wie folgt.

Einige von ihnen werden aus dem Ranking extrahiert, wenn ungefähr 5,60 Blätter gesammelt werden.

Der auf der rechten Seite des Bildes angezeigte Wert ist der Wert von selten.

Ich bin überrascht, dass die bisherigen Ergebnisse erzielt wurden, indem dem Modell die in A und B unterteilten Abbildungen gegeben wurden, ohne etwas zu tun. Ich hatte das starke Gefühl, dass es möglich sein würde, Bilder zu sammeln, die meinem Sohn besser gefallen, indem man sie etwas strenger kennzeichnet. Wenn Sie mehrere Modelle in Kombination verwenden, wird sich die Genauigkeit wahrscheinlich weiter verbessern.

• Verschiedene Werte für die gezeigten Bilder werden von der KI beurteilt, die den Geschmack meines Sohnes gelernt hat. Der Wert leugnet kein bestimmtes Hobby oder Prinzip.

Fazit

Vielleicht steht der Tag vor der Tür, an dem jeder Mensch einen für sich optimierten erotischen Sommelier hat.