测手相免费测试app(ai测手相免费测试)

「专利解密」AI真神奇，面相、手相都能看！

集微网消息，最近有个问题让小编很是纠结，为什么黄渤、王宝强等人长得没小编好看却能在娱乐圈发光发热发大财呢。直到小编不经意浏览到某看相网站对他们面相和手相的分析，才“恍然大悟”，原来他们都有“贵人相”，这给了小编一个不上进的借口，抚慰了小编受伤的心灵。

面相和手相属于人相学中的最常见的两种，人相学是通过观察分析人的形体外貌、精神气质、举止情态等方面的特征来测定，评判人的禀性和命运的民间传统学问。

原来咱们看相要跑到天桥上去，现在随着科技的进步，利用AI技术也能看相啦，瞬间高大上有木有。小编用某看相小程序测试自己的面相和同事的手相，内心忐忑的等来了下面的结果……

那么AI看相是如何实现的呢，索尼在2014年提出了一项专利（CN103942019A），能够实现AI看手相、AI看面相，甚至还能实现AI看足相。

该专利建立了诊断数据库，诊断数据库中存储了大量掌纹数据以及与各掌纹相对应的手相解读数据，然后通过提取待测人手图像中的掌纹，并利用图像识别算法与诊断数据库的掌纹进行比对，匹配成功则输出相应的手相解读结果，实现AI看手相。

该诊断数据库还存储了大量的面部部位数据，包括但不限于眼、鼻、耳、嘴、眉毛以及颚等的形状、大小、颜色数据等，同理AI看手相的流程，AI看面相则是提取待测人脸图像中的各个人脸部位，利用图像识别算法与诊断数据库的人脸部位进行比对，最后输出相应的面相解读结果。

人相学是中国的一种传统文化，有消息称有临床中医利用人相学作为辅助手段成功预测过身体疾病。虽然现在有人认为它是伪科学，但小编认为科学无法解释并不代表它就一定是伪科学，世界之大无奇不有，人相学是老祖宗们几千年的智慧沉淀，不论科技如何进步，我们都应对它怀有包容之心。如今利用AI技术就能实现看相，人相学也算是跟高科技接轨啦。（校对/诗诗）

命理学谈星曜：武曲星----正财星，会一生财源滚滚吗？

今天我们谈武曲星，斗数里的正财星，是个非常妙的星曜。看完文章，你大概会希望自己命坐武曲，或者尽快走到带武曲的十年大限（^_^）。

武曲在斗数里是将军，勇往直前的武将。你可能会奇怪，为什么财星会是武将? 因为在古代，商业行为比较少，赚钱最快最直接的方式就是从军打仗，攻占领土，获取财富。所以现在很多商铺希望生意顺利，供奉着关公做财神爷，是同样的道理。

然后我们来聊聊正财。什么是正财？是正经获得的财富，而不是捞偏门获得的？是不是医生律师工程师会计师这样的算正财，而那些看起来不光鲜不正当的职业就不行？

Hmm，不是这样来区分的。所谓正财，就是靠自己努力打拼而获得的财富。比如每天上班下班，自己辛苦创业。正财之外的，是偏财，不劳而获，或者投机获得的。比如中，比如遗产，比如红包，比如股票分红等等。

举两个例子大家就秒懂了。一个人如果有一套房出租，每个月租客固定把租金转到自己账户，是偏财。但如果一个人有100套房子收租，每天要认真打理不同租客的合同，这个退租，那个续租，这个空调坏了要修理，那个租客不见了要到处找。。。辛辛苦苦以收租金为职业，就是正财。

一个人如果买股票，撞上今年1-3月的牛市，轻轻松松获利25%，这个是偏财。但如果一个人每天研究股票，以炒股为个人职业，坚持开市就盯盘，收市就总结，这样辛苦努力地职业股民，就是正财。

武曲星是正财星，虽然和中无缘，但是努力打拼就有结果，是不是符合绝大多数人的生财之道？

武曲星的特點

武曲星化气为“财”，代表着赚钱的能力和欲望，是财帛主，适合放在财帛宫。

1.个性耿直务实

武曲是一个一丝不苟，不屈不挠，义薄云天的大将军，从不说不切实际的话，做人不圆滑，特别务实。放在现代社会里，其实这样的个性是不讨喜的。大家觉得社会险恶，希望交到说真话的朋友，但实际情况是说话好听的人，远远比说真话太直接的人人缘好（-_-||）。所以武曲星是孤寡星，埋头做事，人缘不佳。

2.喜欢和桃花星同宫

正是因为武曲务实而不知变通的个性，如果搭配桃花星，反而能弥补人缘上的欠缺。有能力，同时有人缘，自然是更好的。斗数讲究平衡，如果本身是桃花星，则最好不要再搭配桃花星，桃花过旺的人，感情机会太多，容易处处留情，一生浪荡。

3.逢煞忌主破财

因为本身是财星，无论任何宫位，只要与擎羊或者火星同宫，则表示破财。本命盘则一生有这个问题，遇到流年擎羊则当年会有这个问题，命主会有对钱财的不安全感或者大笔花销。

命帶武曲的各种组合

只要自己够努力，老天都会帮你。所以武曲坐命的命主，生活得都不会太差。当然，太拼命倒未必是好事，我们来看看：

1.武曲天府同宫在子午位

参见昨天的文章“天府星”介绍里的武府组合。

从事业的角度来说，这个盘就是人生赢家。武曲是正财星，踏实努力认真赚钱。加上天府的雄才大略和情商，一个有这样能力且一直在努力的人，哪有不成功的道理？如果还能带禄，财库的作用发挥起来，身家上亿不是梦。但从感情角度，这个盘比较刚，整个心思都在事业，感情状况又是破军，追求浪漫，会比较差一点。这样的男人一般都不只属于一个人，不是专一型；女生的话，是女强人，同时又希望有浪漫的爱情，不太容易。

2.武曲贪狼同宫在丑未位

“武贪格”是斗数里的大格局，碰到武贪，谈论的身价都是上亿。想想也简单，武曲是正财星，认真拼命赚钱，而且能赚到钱。贪狼是斗数里最大的桃花星，并且非常博学。这种命格喜欢创业，而命主有能力，有人缘，有眼界，还一心扑在事业上，怎么会不成功呢？但古人云“武贪不发少年时”，认为这个命格的人，如果年少成名，一般不长久。古书里浓缩的都是人生智慧，年少成名一飞冲天，自然是人人艳羡。但一生那么长，总会出现波折和各种问题，少年得志容易缺少经验，再加上武曲会冲动，贪狼会好酒色，遇上问题一旦决策错误，风险也是巨大。所以最好人生的前期有磨练，中年起运，则更有经验，守住财富。

3.武曲天相同宫在寅申位

参见昨天的文章“天相星”介绍里的武相组合。

相对于廉贞的复杂，武曲就是一个认真踏实干活的好人。这样不善言辞认真拼命的武曲，加上天相的人际能力，正好补充了在外的好人缘，是个非常不错的组合。你想想，谁会不喜欢一个认真务实，有理财能力（武曲是正财星），有条理和逻辑，还对人热情善解人意的人？只需要注意逢煞忌的年份控制欲望，以免和人产生财务纠纷。这样的人可以创业，可以打工到高位，都非常适合。

4.武曲七杀同宫在卯酉位

武曲是将军，七杀是杀手，两个都是武将。本着平衡的原则，这个命格属于斗数里的“过旺则不佳”。两个拼命认真的人在一起，一直朝前冲，容易冲太猛而不回头。古书云这个格局“速起而速败”，指的是这样拼命的人容易成功，但碰到环境变化，比较固执，坚持己见不回头，也容易再落败。尤其是现代社会发展更快，对一个企业的敏捷度要求更高。所以这个格局的命主，创业会有风险。但是这样的人，是绝佳的业务人才，要拿地盘抢订单，这种不屈不挠的精神，太珍贵了。所以如果选择在企业的业务部门工作，最高决策不在自己，自然减小了冲太快没调头的风险，会更合适。

5.武曲独坐，对宫贪狼在辰戌位

辰戌位是命盘上的“天罗地网”，代表了宫位的极度稳定。所以这个位置的“武贪对拱”，和前面提到的“武贪同宫”，有很大的差别。武曲的冲动爱赚钱，贪狼的好酒色贪心欲望，全都被禁锢了，只剩下武曲的耿直重义气和贪狼的博学好人缘。这也是相当不错的命盘，命主古书叫“百工之人”，会认真的以专业技术为生。放在现代社会，比如医生，律师，会计师，精算师，画家，钢琴演奏家，乐器老师，科研人员等，需要专业技能的，都非常适合。

6.武曲破军同宫在巳亥位

武曲和破军，大概是父母一辈最不喜欢看到的组合，哈哈哈。长辈大都希望儿女工作生活稳定，但武曲的冲劲，搭配为了梦想不顾一切的破军，自然是相当动荡。这个格局我觉得是成则成大事，败则。。。生活拮据吧。当机会出现时，即使当下的胜算不高，只要破军认定了这是自己的梦想，就会全盘身家砸进去，加上武曲，行动力强，更是势不可挡。很多时候获得大成功的都是这样的命主，比如90年代下海，难道最先富起来的人不是极具冒险精神，敢于走出稳定的体制内的人吗？当然，不顾一切当然有失败的时候，一无所有也常见。肆意人生是一种生活方式，而且通常命主本身家境都不差。

武曲在其他宫位的解释

如果是六亲宮位（父母，兄弟，子女，交友）有武曲，則表示這個宮位的人，有以上提到的那些特點。这样的六亲，其实是重情义，出问题时会义气相挺的好伙伴，我们要好好珍惜。即使TA有时候说话直接，未必那么好听，后者平时个性上不会照顾人。

如果官禄宫有武曲，看看是以上的那种组合，武杀最好不要创业，做业务是顶尖人才。武破如果不想太动荡，就选择稳定的公司或者公务员吧，靠环境禁锢心性（-_-||）。

如果财帛宫有武曲，正财星坐财帛宫，就赶紧努力赚钱吧。

运限走进武曲坐命

运限走到武曲，当然，是时候开始打拼赚钱了（感觉背景音乐可以响起来）。大家就撸起袖子加油干吧！

要注意些什么，上面都写了，武相留意煞忌，武杀不要太冲动，武破在押进身家之前先做最坏的打算，再迎接最好的可能。

人工智能看“手相”？这回不是玄学，而是Fast AI的经典案例！

点击上方关注，All in AI中国

作者——Zahar Chikishev

利用较小的训练数据集检测图像的关键点位置。

要训练一个可以准确预测手指和手掌线条位置的网络，需要多少张贴有标签的图像？我的灵感来自于这篇博客（https://towardsdatascience/fun-with-small-image-data-sets-part-2-54d683ca8c96）。在这篇博客中，作者谈及，从每次训练的135张图片中区分出某一人是否配带眼镜的准确率高达97.5%。那么回到正文，从15个不同人的60幅贴有标签的图像中，我的任务能得到什么样的准确性？

12个检测点

其目的是准确估计一个手部图像12个点的x和y坐标。4个点在指尖，4个点在指根，另外4个点沿着掌心线等距，第一个点和最后一个点正好在这条线的起点和终点。

这些训练所需的照片是我朋友的照片。每人6张，左手3张，右手3张。这些照片是用不同的智能手机在不同白色背景和不同灯光条件下拍摄的。60张图片都是我手工标注的。

对于神经网络的处理，我使用基于PyTorch的fastai library v1.0.42（https://www.fast.ai/2018/10/02/fastai-ai/）。作为IDE的Jupyter笔记本，和我笔记本的NVidia GTX 960M 4Gb VRAM进行训练。我所得结果的总训练时间是25小时，考虑到这个GPU远远不是目前市场上最好的硬件，所以25个小时也还不错。

这个项目的主题是数据扩充，幸运的是Fast AI提供了高效的图像转换算法，并提供了干净的API来定义它们。让我们深入讨论细节。

数据和模型

将标记后的数据分为51幅训练图像和9幅验证图像。验证图像包括3张人的照片，以及6张既不出现在训练集上也不与训练中上的任何人共用背景或相机的照片。所有右手的图像在预处理中我们都进行了水平翻转（如下图所示）。

所有进行过标记的训练图片

在如此小的数据集上进行数据增强是必要的，我对进入神经网络的每个图像采取了随机缩放、旋转、亮度和对比度转换等等。Fast AI库允许我们容易地定义它。在底层，同样的仿射变换也应用于标签点。图像按照样本均值和序列集的方差进行归一化，其中每个RGB通道单独进行归一化，并按4:3的比例调整大小，更具体地说，是384×288像素。听起来有很多东西需要我们定义。但令人惊讶的是，整个数据定义可以归结为以下代码片段：

这个模型是标准的resnet34。从resnet34中删除最后两个分类层，然后加上1x1卷积来减少通道数，并与两个完全连接的层相连。第二个全连通层输出24个激活，经过双曲正切激活函数后表示为12个关键点的x、y坐标。

但有时用代码说话更好:

代码头部的定义使用了常规的PyTorch语法和模块，除了我写的重塑模块之外，它还重构了张量。这个重塑是必要的，因为我的标签坐标在内部由Fast AI表示为12×2张量，它需要匹配。另外，标签被Fast AI重定位到[-1;1]范围，所以这里使用双曲正切激活函数比较合适。

优化目标是使训练中的L1损失最小化。

有两个额外的准确性指标来判断网络的性能和进度。第一个和第二个指标分别为0.1和0.01。即，在验证集上计算实际标签与预测坐标误差在0.1和0.01之间的比例。这里标签的范围也是[-1;1]，给定图像大小为384×288像素。我们可以很容易地计算出第二个度量允许高度和宽度的最大误差分别为1.92和1.44像素。

神经网络训练

神经网络训练是通过运行这行代码40次来完成的:

除了使用Adam optimizer定期进行100个迭代次数的训练外，Fast AI方法还具较好的学习率和动量策略，这是Fast AI在广泛的应用中使用的一种更快收敛的方法。更多细节见Sylvain Gugger的博客（https://sgugger.github.io/the-1cycle-policy.html）。我发现它很适合我的模型。对于每100个训练周期而言，在50个训练周期之后，错误率比开始时要高，但是在周期结束时，错误总是会得到改善。如果你还是不明白，请看下面这张图片。

学习速率(左)和动量(右)在100个epoch变化。

迭代次数损失为2500到2600，每回迭代次数有8批。我们在迭代次数 2500中添加了更多的数据。

这个学习速率和动量的过程称为1cycle策略。据说，它还有助于对抗过度拟合，而且它似乎比我尝试过的其他选项收敛得更快。

我将训练分为5个步骤，以帮助大家理解不同变化的影响：

1500个迭代次数， resnet34个骨干层\"冻结\"在ImageNet的预训练值上，只训练自定义头层，并且仅使用35个训练图像集。300个迭代次数后，\"解冻\"骨干层。700个迭代次数后，增加了更多的数据扩充。具体来说，max_zoom 5%到10%，max_warp 5%到20%，max_rotate 5到10度。500个迭代次数后，从另外4个人那里向训练集添加了16个图像。使训练集的总大小达到51。1000个迭代次数后，每个cycle减少20%的学习率，最后一个cycle达到1e-5左右的学习率。记住，每个周期是100个迭代次数。

以下图表总结了进展情况:

在4000个迭代次数后的训练中损失和准确性度量。

这5个步骤中的每一个都对模型进行了额外的改进。数据扩充中的转换尤其重要，它对验证集错误的改进有重要贡献。\"解冻\"和更多的数据也为验证集提供了很好的改善。另一方面，虽然降低学习率显著改善了训练集的错误，但并没有较大的突破。过度拟合在这里是一个真正的问题，使用较小的学习率会使情况变得更糟。

总的来说，在训练过程中，网络共看到14.7万张不同的变换图像，训练时间为25.5时。

讨论的结果

训练集的最终平均L1误差为0.46像素，而验证集的平均L1误差为1.90像素。此外，训练集的这个分数是针对转换后的图像，而验证图像则没有转换。这是明显的过拟合。

尽管如此，结果还是相当不错的，验证集推断如下图所示。注意，绿色的点是实际的标签，红色的点是最终模型的预测。从结果上看，该模型似乎使其预测更具有全局性和相互依赖性，而不是给局部边缘更多的权重。

最终结果：图1、图2和图3是训练集中不同人的手。图4到6和图7到9是没有出现在训练集合中两个人的手。绿色的点是实际的标签，红色的点是预测的结果。

模型改进的明确方向是更多的数据和更智能的数据扩充。平均误差仍然需要小4-5倍才可以。

是哪里出现了问题？

在不同的地方添加dropout层等是没有用的。这可能是因为使用1cycle策略的高学习率本身就是一种正则化的形式，不需要更多的正则化。为不同的层组选择不同的学习率也是一个死胡同。

如果一开始就删除BatchNorm层，模型就会停止训练，即使学习率更低(1e-5)。

我尝试了另外两种骨干模型架构，Darknet（https://docs.fast.ai/vision.models.html）和U-Net（https://docs.fast.ai/vision.models.unet.html#vision.models.unet），它们具有不同的自定义头部，但是在我的实验中，它不如简单的resnet34工作得好。

最后，Fast AI库在这一点上只有仿射变换(平行线映射到平行线)和透视变换(直线映射到直线)。考虑到数据增强在这个项目中的重要性，我进行了一个额外的转换，如图所示。然而，由于某些原因，它并没有带来改善。

结论

该模型仅用51幅训练图像就达到了较好的预测精度。越来越多的数据被证明可以提高精度，并在一定程度上成功地对抗过度拟合。

Fast AI库是这个项目的一个合适工具，它有以下优越性：

简洁但灵活的数据和模型定义用于数据扩充的一系列内置仿射和透视图转换，它们可以自动转换标签点智能学习率和动量策略似乎能更快地收敛并减少过拟合

AI算命同手不同运？依靠大数据有随机性 或泄露指纹信息

广州日报讯 （全媒体记者王楚涵）扫一扫面相、手相，即可测算出你的一生运势，且准确率高达95%？曾在小巷中摆摊的算命先生，如今，披上人工智能的外衣，摇身变为高科技的“AI算命”产品。然而，记者了解到，此类“AI算命”并不科学，测算结果依靠大数据，具有一定的随机性。且在使用此类“AI算命”软件的过程中，极有可能泄露自己的面部信息或指纹信息，具有一定的风险性。

记者下载了一款“AI看手相”APP，该APP宣称基于3位国内资深相学大师整理的手相学基本概念，及AI学习近20万拥有108个定位的真实手相样本数据，从而测算出精准的数据。记者使用该APP对右手进行拍照分析，短短几秒钟时间里，一份得分92分的详细分析报告书便出来了，报告通过分析手指长短、掌心代表的事业线、爱情线和生命线等特征，从而对个人的事业、财运等进行了详细的分析和预测，但恋爱运势及晚年运势则需要付费30元方能查看。随后，记者对同一只手进行拍照再上传，仅获得了85分，指相分析也从“领导力强”“感性主义”变为了“魄力不足”“容易破财”，且相应的运势也与之前有所出入。

据悉，一位“AI算命”的软件卖家曾透露，分析结果依靠的是软件自带的数据库，测试结果是随机出具，两次上传相同的照片，可能出来不一样的结果，两次上传不同的照片，可能出来一样的分析结果，是一个概率问题，并不准确。有关专家提醒道，看面相、手相来推测运势，本就不具备科学依据。且使用此类APP时，需要用户上传头像或手相，极有可能泄露自己的面部信息或指纹信息。