近来微软推出了一个奇特的页面——How-old.net，经过传相片猜年纪敏捷刷爆朋友圈。上线几个小时，现已测试了超21万张图片，因为估测存在不小差错，不少名人都被“玩坏了”，微软以为同年的林志颖和郭德纲年纪差了一个吴奇隆。那么当科技大佬们遇到“How-old” 会怎么呢?

　　参阅 Fun with ML, Stream Analytics and PowerBI，内有详细阐明。

　　这个 demo 是咱们 IMML 部分(Information Management and Machine Learning)做的，首要组件是：

　　1. Azure Machine Learning 渠道以及其 gallery 中的 face api。Microsoft Azure Machine Learning Gallery

　　2. 实时核算用的是 Azure Event Hub 和 Azure Stream Analytics，后者能够在前者的事情流上运用类 SQL 的句子来履行一个 Near Realtime 的核算，比方每 10 秒内的拜访次数和成果散布。

　　其实本 demo 首要意图是展示 ASA 以及 PowerBI 的实时核算展示才能，其间 ASA 刚刚 GA(general availability)，Machine Learning 和 face detection api 是之前就现已有的东西了，没想到我们都重视人脸辨认去了。

　　程序员们，你们只需要 1 天时刻就能够树立相似的网站。使用微软发布的 face detection api，只需几下 rest api 调用就能够得到成果了。这里有很详细的 how to 来教你怎么调用这些 api：Microsoft Project Oxford How-to detect faces from an image。并且，辨认年纪和性别仅仅一个小功用，这套 api 还包含辨认两张相片是不是同一个人，以及辨认出某个详细的人等高档功用。

　　Age estimation via face.

　　1. Face detect，检测图片中人脸的方位，cascade adaboost 是最常用的办法。

　　2. Face alignment，图画对准，确认一些要害的点的方位，比方眉毛，眼睛，鼻子，嘴角等，确认这些点之后能够确认人脸区域，歪斜的也能够。

　　3. Feature extract，有了 face region 之后，开端提取 feature，形状 shape，纹路 texture，几许 geometry 信息是最要害的 feature 了。

　　4. Train，有了很多 feature 数据以及对应的年纪数据，树立一个 model 开端练习。SVM， linear regression 等等。

　　5. Age estimation，新来一张图片，获取 feature，依据 4 获取的练习参数，估量年纪。

　　现在看到一些 paper 给出的 MAE(Mean absolute error)能够到 4-5 岁，但都是根据实验室数据，微软的也试了一下，variance 有点大。

　　微软原本是为了宣扬云核算，估量年纪应该仅仅一个噱头。