');
(window.slotbydup = window.slotbydup
[]).push({
id: '7214713',
container: s,
size: '760,60',
display: 'inlay-fix'
});
})();
电视剧《辛普森一家第四季》人物之间关系是什么呢？各个人物角色之间有着怎么样的关系?下面一起来看看电视猫原创的辛普森一家第四季人物关系图：}

王小新 编译自 Medium量子位 出品
公众号 QbitAIAlexandre Attia是《辛普森一家》的狂热粉丝。他看了一系列辛普森剧集，想建立一个能识别其中人物的神经网络。接下来让我们跟着他的文章来了解下该如何建立一个用于识别《辛普森一家》中各个角色的神经网络。要实现这个项目不是很困难，但可能会比较耗时，因为需要手动标注每个人物的多张照片。目前在网上没有《辛普森一家》人物的训练数据集，所以我正在标注各类图片来构建训练数据集。这个数据集的第一个版本已经挂在Kaggle上了，将持续进行更新，希望这个数据集能帮到大家。在学了用TensorFlow构建不同项目后，我决定用Keras，因为它比TensorFlow更为简单易上手，而且以TensorFlow作为后端，具有很强的兼容性。Keras是Francois Chollet用Python语言编写的一个深度学习库。本文基于卷积神经网络（CNN）来完成此项目，CNN网络是一种能够学习许多特征的多层前馈神经网络。该数据集目前有18类，有以下人物：Homer，Marge，Lisa，Bart，Burns，Grampa，Flanders，Moe，Krusty，Sideshow Bob，Skinner，Milhouse等。我的目标是达到20类，当然类别越多越好。各类样本的大小不一，图片背景也不尽相同，主要是从第4至24季的剧集中提取出来的。在训练集中，每个人物各大约包括1000个样本（还在标注数据来达到这个数量）。每个人物不一定处于图像中间，有时周围还带有其他人物。人物的样本量分布通过label_data.py函数，我们可以从AVI电影中标注数据：得到裁剪后的图片（左部分或右部分），或者完整版，然后仅需输入人物名称的一部分，如对Charles Montgomery Burns输入burns。添加数据时，我也使用了Keras模型。对视频进行截图，每一帧可转化得到3张图片，分别是左部分、右部分和完整版，然后通过编写算法来分类每张图片。之后，我检查了此算法的分类效果，虽然是手动的，但这是一个渐进的过程，速度将会不断提升，特别是对出现频率较低的小类别人物。在预处理图片时，第一步是调整样本大小。为了节省数据内存，先将样本转换为float32类型，并除以255进行归一化。然后，使用Keras的自带函数，将各类人物的标签从名字转换为数字，再利用one-hot编码转换成矢量：import keras，进而，使用sklearn库的train_test_split函数，将数据集分成训练集和测试集。现在让我们开始进入最有趣的部分：定义网络模型。首先，我们构建了一个前馈网络，包括4个带有ReLU激活函数的卷积层和一个全连接的隐藏层（随着数据量的增大，可能会进一步加深网络）。这个模型与Keras文档中的CIFAR示例模型比较相近，接下来还会使用更多数据对其他模型进行测试。我还在模型中加入了Dropout层来防止网络过拟合。在输出层中，使用softmax函数来输出各类的所属概率。损失函数为分类交叉熵（Categorical Cross Entropy）。优化器optimizer使用了随机梯度下降中的RMS Prop方法，通过该权重临近窗口的梯度平均值来确定该点的学习率。这个模型在训练集上迭代训练了200次，其中批次大小为32。由于目前的数据集样本不多，我还用了数据增强操作，使用Keras库可以很快地实现。这实际上是对图片进行一些随机变化，如小角度旋转和加噪声等，所以输入模型的样本都不大相同。这有助于防止模型过拟合，提高模型的泛化能力。datagen = ImageDataGenerator(在CPU上训练模型时会耗费较长时间，所以我使用AWS EC2上的GPU资源：每次迭代需要8秒钟，一共使用了20分钟。在训练深度学习模型时，这已经是较快了。在200次迭代后，我们画出了模型指标，可以看出性能已经较为稳定，没有明显的过拟合现象，且实际正确率较高。训练时验证集和训练集的损失值和正确率由于当前样本量较小，所以很难得到准确的模型精度。但随着训练集样本的增多，这将更贴近实际的模型性能。我们使用sklearn库很快地输出了各类的识别效果。各类别的识别效果从上图可以看出，模型的正确率（f1-score）较高：除了Lisa，其余各类的正确率都超过了80%。Lisa类的平均正确率为82%，可能是在样本中Lisa与其他人物混在一起。各类别的交叉关系图的确，Lisa样本中经常带有Bart，所以正确率较低可能受到Bart的影响。为了提高模型正确率和减少召回率，我添加了一个阈值。在讨论阈值之前，先介绍下关于召回和正确率的关系图。现在统计下正确预测和错误预测的相关数据：最佳概率预测，两个最相似人物的概率差和标准偏差STD。如果人物1的预测正确率太低，预测人物2时标准偏差太高或是两个最相似人物间的概率差太低，那么可以认为网络没有学习到这个人物。因此，对两个类别，绘制测试集的3个指标，希望找到一个超平面来分离正确预测和错误预测。测试集中多个指标的散点图上图中，想要通过直线或是设置阈值，来分离出正确预测和错误预测，这是不容易实现的。当然还可以看出，错误预测的样本一般在图表的左下方，但在这个位置也分布了很多正确预测样本。如果设置了一个阈值（关于最相似人物间的概率差和概率），则实际召回率也会降低。我们希望在提高准确性的同时，而不会很大程度上影响召回率，因此要为每个人物或是低正确率的人物（如Lisa Simpson）来绘制这些散点图。此外，对于没有主角或是不存在人物的样本，加入阈值后效果很好。目前我在模型中添加了一个“无人物”的类别，可以添加阈值来处理。我认为很难在最佳概率预测、概率差和标准偏差之间找到平衡点，所以我重点关注最佳预测概率。在模型中，很难平衡好召回率与正确率之间的关系，同时也无法同时提高召回率和正确率。所以往往根据实际目标，来提高单个值。对于预测类别的概率最小值，画出F1-score、召回率和正确率来比较效果。正确率、召回率和F1-score与预测类别概率最小值的关系从图10中看出，模型效果取决于不同人物。重点研究Lisa Simpson类别，为该类添加概率最小值0.2可能会提高效果，但是组合所有类别后，这个阈值并不完全适用。所以考虑全局效果，对于预测类别的概率最小值，应该增加一个合适的阈值，且不能位于区间[0.2,0.4]内。12个不同人物的实际类别和预测类别在图11中，用于分类人物的神经网络效果很好，故应用到视频中实时预测。在实际中，每张图片的预测时间不超过0.1s，可以做到每秒预测多帧。1. 辛普森一家的人物数据集：The Simpsons Characters Data2. 完整项目代码：alexattia/SimpsonRecognition【完】一则通知量子位正在组建自动驾驶技术群，面向研究自动驾驶相关领域的在校学生或一线工程师。李开复、王咏刚、王乃岩等大牛都在群里。欢迎大家加量子位微信(qbitbot)，备注“自动驾驶”申请加入哈~}

据《卫报》报道，《辛普森一家》的制片人表示，《辛普森一家》将停止使用白人演员为有色人种配音。他们在周五的一份声明中说：“未来，《辛普森一家》将不再让白人演员为非白人角色配音。”报道指出，声明没有详细说明，但此举是迫于多年来公众针对该节目中印度移民角色“阿普”（Apu）施加多年压力之后提出的，该角色由汉克·阿扎利亚配音。阿扎利亚今年早些时候表示，他将不再扮演这个角色，这个角色被批评为是针对印度裔的负面刻板印象。阿扎利亚还为《辛普森一家》中的黑人警官卢（Lou）和墨西哥裔美国大黄蜂人（Bumblebee Man）配音，白人演员哈里·希勒为黑人角色希伯特博士(Dr Hibbert)配音。《辛普森一家》是美国播出时间最长的电视剧，并在100多个国家都有发行，30多年来，笨手笨脚的霍默·辛普森、家庭主妇玛琦、惹是生非的巴特、神童丽莎和小宝贝麦琪，都捕捉到了美国不断变化的面貌。在美国黑人乔治·弗洛伊德被警察杀害后，美国爆发了大规模抗议活动，民众要求对美国流行文化中的种族主义进行广泛反思，周五的声明正是在这种情况下做出的。2017年，随着喜剧演员哈里·康达波卢的纪录片《阿普的问题》(the Problem with Apu)的上映，大众对这个角色的批评加剧。康达波卢认为，阿普的形象描绘的是针对南亚裔的负面刻板印象。（编辑：WDQ）环球时报1.6亿获赞 806.5万粉丝报道多元世界 解读复杂中国《环球时报》社有限公司官方账号,活力创作者}