最后強調一點，圖片的風格很重要。有幾個長得絕對好看的人依舊排在了榜單的末尾，就是因為構圖不行，或者是光線不行等等。
探索自拍空間
我們還嘗試了另一種有趣的可視化方法t-SNE，來展示這些自拍圖。t-SNE是一種非常美妙的算法，由于它非常通用而且高效，我喜歡在幾乎所有數據上先試試用這個來一次。它需要輸入一些東西（這個例子里就是圖片），然后將他們按照相似相鄰的原則排列。
事實上，用t-SNE可以排列很多東西，像是Netflix的電影，單詞，Twitter的個人資料，ImageNet的圖片，任何東西只要量足夠而且可比較就行。在這里，我們將自拍圖按照卷積神經網絡認為的相似程度來排列。用專業(yè)術語來說，我們采用了最后一個全連接層中的fc7激活的L2范數來確定每張圖的得分進而比較其相似程度。下面是可視化結果：
自拍 t-SNE可視化
從而大家可以看出自拍圖以一種有趣的方式聚成了組：比如說，左上方是自拍合照，中左方是戴太陽鏡/眼鏡的自拍，左下是大頭照，右上有不少是對著鏡子來的全身照。我覺得這種現(xiàn)象還挺有趣的。
如何對自拍圖做最優(yōu)剪裁？
我們還做了另一個有趣的實驗，用卷積神經網絡自動找出一張自拍圖的最優(yōu)裁剪。我們先拍一張照片，隨機對其進行許多種可能的裁剪，然后把卷積神經網絡認為最好的一張選出來。下面是4組實驗結果，左側是原圖，右側是最好的裁剪圖：
四個對中的每一對顯示原始圖像（左）和ConvNet選擇為最佳（右）的圖像
注意到沒有，卷積神經網絡還是喜歡那種頭占據圖片1/3大小，額頭被切掉一部分的自拍。有趣的是，在右下這組實驗中，卷積神經網絡覺得沒有人的圖反而好，完全不對勁了有沒有。下面還有一些類似的例子，卷積神經網絡做出了不講道理的選擇：
原圖在左，裁剪圖在右
在一些行家提問之前，我先回答了：是的，我試過在原始圖像之后，卷積神經網絡之前插入一層空域變換層。我希望能得到了一個用6個參數表達任意裁剪的模型。不幸的是，這種方法不可行——優(yōu)化有時候會卡住，或者任意偏向一個位置。我還嘗試過對變換加一些約束，只做放縮和平移，可惜還是沒用。幸運的是，如果這變換有三個有界的參數，那我們還是可以承受得起全局搜索最優(yōu)解的。
你的自拍能打幾分？
是不是想看看你的自拍能得幾分？我們已經將這個網絡做成了一個Twitter機器人，方便大家來自測。（這個機器人大概只有150行的Python代碼，還包括了所有用到的Caffe/Tweepy代碼）。將你的圖片（或者鏈接）放在推文中，[email protected]
機器人會看下你的照片給出一個打分！為了得到最佳結果，自拍圖最好是正方形的，否則機器人會先將它壓成正方形，這會讓最終的得分變低。機器人會在一分鐘內回復你，如果沒出問題的話（出問題的時候，等一會兒再試一次）。