面相测试
当前位置:十二星座网面相测试面相测试不知道从何时候起，AI面相已悄然问世，很多人对此秉持着怀疑的态度。然而经过时间验证，AI面相可谓横扫整个测算界也不为过，它的最神奇的地方是他的测算结果亚于绝大部分面相师，有的面相师还比不过这款AI面相的测算。如果你心中有困惑，不妨测试一下看看！
立即测算相关阅读
面相学哪些人不可深交面相算命五官看面相算命图解男男人五官面相大全如何看男人面相面相怎么看清男人看男人面相眼睛好坏男人眼睛形状看相看男人面相先看哪里男人看面相大全图解看男人面相分析人生富贵注定富贵的男人面相面相看生男生女图解怎样从面相看生男生女什么皱纹的面相运气最差面相解析你的年龄阶段的运势有福相的男孩面相有什么特征为您推荐
狮子座2023年7月整体运势Tags：狮子座每月星座运势每日星座运势星座运势属龙人2023年7月份整体运势Tags：十二生肖生肖运势生肖龙每月生肖运势戴玉用红绳好还是黑绳好呢Tags：风水风水学风水摆设风水用品男人面相痣相算命图解Tags：算命大全痣相算命体相算命面相算命2023年巨蟹座彻底大爆发学业Tags：十二星座星座查询星座爱情巨蟹座人工智能(AI)测试方法
一、了解人工智能
1.1、对人工智能的理解：
人工智能（AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学（定义）。人工智能利用机器学习技术，通过对现有的经过处理（筛选、消噪、过滤等）的数据，不断进行矫正（设置阀值等方法）机器模型的输出，此过程称为训练，期望通过训练可以得到在未来新数据上有良好表现的模型，从而投入生产。
1.2、人工智能目前应用的一些领域：
语音识别：人工智能在语音识别方面的应用相对较好，如siri、多邻国读音识别等
图像识别：如高速车牌识别、人脸识别等
个性化推荐：如亚马逊、今日头条根据用户阅读历史做的推荐系统，利用人工智能进行调参数等
二、AI相关测试
一般这些项目都要测试什么，要进行什么类型的测试。
模型评估测试模型评估主要是测试模型对未知新数据的预测能力，即泛化能力。泛化能力越强，模型的预测能力表现越好。而衡量模型泛化能力的评价指标，就是性能度量(performancemeasure)。性能度量一般有错误率、准确率、精确率、召回率等。
稳定性/鲁棒性测试稳定性/鲁棒性主要是测试算法多次运行的稳定性；以及算法在输入值发现较小变化时的输出变化。如果算法在输入值发生微小变化时就产生了巨大的输出变化，就可以说这个算法是不稳定的。
系统测试将整个基于算法模型的代码作为一个整体，通过与系统的需求定义作比较，发现软件与系统定义不符合或与之矛盾的地方。系统测试主要包括以下三个方面：1、项目的整体业务流程2、真实用户的使用场景3、数据的流动与正确
接口测试接口测试是测试系统组件间接口的一种测试。接口测试主要用于检测外部系统与系统之间以及内部各个子系统之间的交互点。测试的重点是要检查数据的交换，传递和控制管理过程，以及系统间的相互逻辑依赖关系等。
文档测试文档测试是检验用户文档的完整性、正确性、一致性、易理解性、易浏览性。在项目的整个生命周期中，会得到很多文档，在各个阶段中都以文档作为前段工作成果的体现和后阶段工作的依据。为避免在测试的过程中发现的缺陷是由于对文档的理解不准确，理解差异或是文档变更等原因引起的，文档测试也需要有足够的重视。
性能测试
白盒测试–代码静态检查
竞品对比测试如果有涉及时，可针对做竞品对比测试，清楚优势和劣势。比如AI智能音箱产品。
安全测试
发布上线后，线上模型监控
测试数据不管是机器学习，推荐系统，图像识别还是自然语言处理，都需要有一定量的测试数据来进行运行测试。算法测试的核心是对学习器的泛化误差进行评估。为此是使用测试集来测试学习器对新样本的差别能力。然后以测试集上的测试误差作为泛化误差的近似。测试人员使用的测试集，只能尽可能的覆盖正式环境用户产生的数据情况。正式环境复杂多样的数据情况，需要根据上线后，持续跟进外网数据。算法模型的适用性一定程度上取决于用户数据量，当用户量出现大幅增长，可能模型会随着数据的演化而性能下降，这时模型需要用新数据来做重新训练。
上线只是完成了一半测试，并不像APP或者WEB网站测试一样，测试通过后，发布到正式环境，测试工作就完成了。测试集如何选取很关键，一般遵循两个原则：
测试集独立同分布测试数据的数量和训练数据的比例合理测试集独立同分布不能使用训练数据来做为测试数据，此为独立。测试数据需要和训练数据是同一个分布下的数据，此为分布。举个例子，训练数据中正样本和负样本的分布为7：3，测试数据的分布也需要为7：3，或者接近这个分布，比较合理
测试数据的数量和训练数据的比例合理当数据量比较小时，可以使用7：3训练数据和测试数据(西瓜书中描述常见的做法是将大约2/3~4/5的样本数据用于训练，剩余样本用于测试）或者6：2:2训练数据，验证数据和测试数据。如果只有100条，1000条或者1万条数据，那么上述比例划分是非常合理的。
如果数据量是百万级别，那么验证集和测试集占数据总量的比例会趋向于变得更小。如果拥有百万数据，我们只需要1000条数据，便足以评估单个分类器，并且准确评估该分类器的性能。假设我们有100万条数据，其中1万条作为验证集，1万条作为测试集，100万里取1万，比例是1%，即：训练集占98%，验证集和测试集各占1%。对于数据量过百万的应用，训练集可以占到99.5%，验证和测试集各占0.25%，或者验证集占0.4%，测试集占0.1%。
一般算法工程师会将整个数据集，自己划分为训练集、验证集、测试集。或者训练集、验证集等等。（这里的测试集是算法工程师的测试数据）算法工程师提测时，写明自测时的准确率或其他指标。测试人员另外收集自己的测试集。测试数据可以测试人员自己收集。或者公司的数据标注人员整理提供。或者爬虫。外部购买。测试人员可以先用算法工程师的测试集进行运行测试查看结果。再通过自己的测试集测试进行指标对比。
2.1、测试分析
人工智能归根结底也是利用对历史数据的处理训练出可以在将来数据上有良好输出的模型。
对于测试而言，应该关心数据模型在对待正常数据、边界数据、异常数据作为输入时，模型的输出是否能够符合期望。
2.2、测试方法
改变测试集：如输入与训练时一样的数据、与训练时完全不同的数据、训练时的边界值等，看是否达到期望输出
如在安卓平台运行的代码：通过不断点击运行、以及快速退出和快速进入、处理大量数据、空数据、等观察性能指标的上升等
模型是否有良好的用户交互
人工智能发展目前有一定的技术限制，但是无论如何都不能造成应用crash、卡死、内存溢出等现象
具体使用时，应有良好的告知用户的提示，不能一直loading等
模型是否能够根据处理数据的量从少到多而自动不断优化、调整输出
观察模型输出是否是一直不变化的
经过多次改变输入（百次计算），再进行回归测试，观察输出是否有一定程度调优（或者更差了）
模型在处理数据时的效率（学习过程，cpu占用率、内存消耗等）
模型有没有人性化的参数调整入口，供运营人员以及测试人员对上线后、上线前进行调整
模型上线后应具有一定的参数调整能力（例如某些权重的调整等。业界今日头条的某些推荐方案一旦效果好，据说会立刻将所有的模型进行模拟升级（切换到相同的模式））。
风险控制，当发现严重问题时如何良好的控制线上的模型，对其进行开关以及升级操作，如上线后若发现难以控制的风险，如需要紧急下线（政策等影响）等问题时，需要有立刻关闭的功能以及关闭前对用户的良好的提示功能。
若此模型并不是单独使用，有没有良好的兼容性（兼容其他模型），遇到错误的使用时如何变现（以及提示方式）
如模型需要与其他模型进行合作才能工作，那应当分开单独进行测试，此模型应该具有良好的接口，和期望输出。测试方法参照上面。然后再测试与其他模型共同工作时的效果
三、AI测试举例：
3.1、语音识别部分
输入正常的语音
输入有杂音的语音
输入空白语音
输入不同语言的语音
输入长时间语音
输入重复语音
结论：训练好的模型应在使用上满足一定程度的场景，不能答非所问的太离谱
3.2、自优化测试：
将测试集分成2部分（或多部分），第一次输入第一部分然后观察结果，然后再输入第二部分，然后再次输入第一部分，观察输出是否有优化的体现3.3、性能部分：
[在进行语音识别时，观察cpu、内存等占用情况
在语音识别结束观察cup、内存有没有释放等情况
观察识别的时间长短
3.4、友好度测试：
观察在使用时弱网络情况下的提示
观察识别出错时的提示
观察正常时的提示
3.5、风险测试：
功能入口测试（展示和关闭），是否能通过远程直接关闭或开启语音识别功能，升级等AI人工智能相面项目总结二，AI人脸识别接口的选择和根据人脸数据的测算
做AI相面，自然AI人脸识别是基础。目前AI人脸识别已经很成熟，相应提供接口的公司也很多，我们主要看了三家的接口，腾讯、百度和face++。
腾讯人脸识别接口申请地址：https://cloud.tencent.com/product/facerecognition
主要有两部分组成。
1.人脸检测与分析。
检测给定图片中的人脸（Face）的位置、相应的面部属性和人脸质量信息，位置包括(x，y，w，h)，面部属性包括性别（gender）、年龄（age）、表情（expression）、魅力（beauty）、眼镜（glass）、发型（hair）、口罩（mask）和姿态(pitch，roll，yaw)，人脸质量信息包括整体质量分（score）、模糊分（sharpness）、光照分（brightness）和五官遮挡分（completeness）。
2.五官定位
对请求图片进行五官定位（也称人脸关键点定位），计算构成人脸轮廓的90个点，包括眉毛（左右各8点）、眼睛（左右各8点）、鼻子（13点）、嘴巴（22点）、脸型轮廓（21点）、眼珠[或瞳孔]（2点）。
AI相面既要用到人脸检测与分析，同时也需要五官定位的数据，如果采用腾讯接口，也就是要有两次请求。对于开发过程中的鉴权这里就不赘述了，接口文档里有详细说明。
百度人脸识别接口申请地址：https://console.bce.baidu.com/ai/
接口能力
人脸检测：检测图片中的人脸并标记出位置信息;人脸关键点：展示人脸的核心关键点信息，及72个关键点信息。人脸属性值：展示人脸属性信息，如年龄、性别等。72个关键点包含了五官信息，也就是一次调用就可以解决问题。
72个点位分布图
百度的鉴权是通过api key和secret来获取token。最后通过token来请求接口。这里要注意一点，token有效期是30天，需要定期更新。
Face++人脸识别接口申请地址：https://www.faceplusplus.com.cn/landmarks/
API调用——鉴权帐号下每创建一个应用就会生成一组对应的 api_key和api_secret，用以识别用户是否有权限调用API，所有的API调用必须提供对应的一组api_key和api_secret参数。
face++人脸识别，可以检测图片内的所有人脸，对于每个检测出的人脸，会给出其唯一标识face_token，可用于后续的人脸分析、人脸比对等操作。对于正式APIKey，支持指定图片的某一区域进行人脸检测。
本API支持对检测到的人脸直接进行分析，获得人脸的关键点和各类属性信息。对于试用APIKey，最多只对人脸框面积最大的5个人脸进行分析，其他检测到的人脸可以使用FaceAnalyzeAPI进行分析。对于正式APIKey，支持分析所有检测到的人脸。
对于点位的分析，提供了83个点位和106各点位。如下图
83点位图
106点位图
三家的人脸识别数据测试下来准确性都是很高的，综合评估我们选择了百度人脸识别接口。
有了点位图之后，下一步就是要计算脸型和五官，这里还是有很多坑，再接下来的文章里来介绍。
有了脸型和五官之后的运势分析--麻衣神相人脸的数据有了，接下来就是根据这些数据的运势测算，和几位大师团的一致讨论，我们根据《麻衣神相》来给出运势分析。
《麻衣神相》是中国古代对人体相貌进行系统叙论的相术著作。因为人面本前世道德所表，知其像，懂人生的吉凶祸福。人的命运本来就不是生而定终身，但能从长相上侦破命运的某种密码，其"奇"也就在于此。这也是很多大师给人看相的理论鼻祖。
根据《麻衣神相》，我们的大师团队给出了面相测试的运势数据，然后就是发动我们身边的朋友进行测试、验证、反馈，然后对用词进行雕琢。这也是个反复漫长的过程，差不多用了2个月左右，终于有了基础版本。
今天就写到这里，欢迎大家来测试、反馈。