最后强调一点，图片的风格很重要。有几个长得绝对好看的人依旧排在了榜单的末尾，就是因为构图不行，或者是光线不行等等。
探索自拍空间
我们还尝试了另一种有趣的可视化方法t-SNE，来展示这些自拍图。t-SNE是一种非常美妙的算法，由于它非常通用而且高效，我喜欢在几乎所有数据上先试试用这个来一次。它需要输入一些东西（这个例子里就是图片），然后将他们按照相似相邻的原则排列。
事实上，用t-SNE可以排列很多东西，像是Netflix的电影，单词，Twitter的个人资料，ImageNet的图片，任何东西只要量足够而且可比较就行。在这里，我们将自拍图按照卷积神经网络认为的相似程度来排列。用专业术语来说，我们采用了最后一个全连接层中的fc7激活的L2范数来确定每张图的得分进而比较其相似程度。下面是可视化结果：
自拍 t-SNE可视化
从而大家可以看出自拍图以一种有趣的方式聚成了组：比如说，左上方是自拍合照，中左方是戴太阳镜/眼镜的自拍，左下是大头照，右上有不少是对着镜子来的全身照。我觉得这种现象还挺有趣的。
如何对自拍图做最优剪裁？
我们还做了另一个有趣的实验，用卷积神经网络自动找出一张自拍图的最优裁剪。我们先拍一张照片，随机对其进行许多种可能的裁剪，然后把卷积神经网络认为最好的一张选出来。下面是4组实验结果，左侧是原图，右侧是最好的裁剪图：
四个对中的每一对显示原始图像（左）和ConvNet选择为最佳（右）的图像
注意到没有，卷积神经网络还是喜欢那种头占据图片1/3大小，额头被切掉一部分的自拍。有趣的是，在右下这组实验中，卷积神经网络觉得没有人的图反而好，完全不对劲了有没有。下面还有一些类似的例子，卷积神经网络做出了不讲道理的选择：
原图在左，裁剪图在右
在一些行家提问之前，我先回答了：是的，我试过在原始图像之后，卷积神经网络之前插入一层空域变换层。我希望能得到了一个用6个参数表达任意裁剪的模型。不幸的是，这种方法不可行——优化有时候会卡住，或者任意偏向一个位置。我还尝试过对变换加一些约束，只做放缩和平移，可惜还是没用。幸运的是，如果这变换有三个有界的参数，那我们还是可以承受得起全局搜索最优解的。
你的自拍能打几分？
是不是想看看你的自拍能得几分？我们已经将这个网络做成了一个Twitter机器人，方便大家来自测。（这个机器人大概只有150行的Python代码，还包括了所有用到的Caffe/Tweepy代码）。将你的图片（或者链接）放在推文中，[email protected]
机器人会看下你的照片给出一个打分！为了得到最佳结果，自拍图最好是正方形的，否则机器人会先将它压成正方形，这会让最终的得分变低。机器人会在一分钟内回复你，如果没出问题的话（出问题的时候，等一会儿再试一次）。