隨着互聯網的發展，內容安全成爲互聯網不得不面臨的嚴峻挑戰。互動社區的崛起，網友素質的參差不齊，由於“涉黃”被勒令關閉的網站多如牛毛，因此“鑑黃”也顯得尤爲重要。雖然各個互聯網企業都有專門的人員來做內容審覈，但是無法跟上內容發展的速度，人工審覈容易出現審覈不及時、高成本、主觀判斷影響結果等問題。
因此通過深度學習的人工智能技術來進行圖片鑑黃也是迫在眉睫。在本數據集一共包括5種圖片類別，每個類別至少有1000張圖像，其中訓練集、驗證集和測試集劃分比例爲6:2:2.
分析：賽題爲圖像5分類問題，初步選用resnet50 , vgg19 ,densenet 進行測試得分，使用預訓練權重，改變softmax輸出層的輸出特徵維度爲5。
核心思路（解決方法的重點和亮點。包括但不限於數據預處理、數據增強、模型選擇、模型優化、模型集成等）
進一步嘗試後，採用了resnext網絡，使用開源權重(from github)調參明細如下：
- 選用網絡resnext101_32x16和pretrained weights :，引用pytorch相關庫實現，
- 圖像變換 : 0.5概率的水平翻轉。
- 凍結網絡層 : 前5層（此賽題效果最佳）。引用前人調參經驗如下：場景：數據集小，數據相似度不高 在這種情況下，我們可以凍結預訓練模型中的前k個層中的權重，然後重新訓練後面的n-k個層，當然最後一層也需要根據相應的輸出格式來進行修改。
- 因爲數據的相似度不高，重新訓練的過程就變得非常關鍵。而新數據集大小的不足，則是通過凍結預訓練模型的前k層進行彌補。
- 圖像size ：2245. 衰減的學習率 ： 餘弦退火策略 - torch.optim.lr_scheduler.CosineAnnealingLR()
心得收穫（競賽收穫，上分經驗，比賽技巧）
- 就圖像分類finetuning而言，模型和權重的選擇至關重要。合適的網絡類型有助於高的準確率，而預訓練模型決定了網絡的起步ACC 和 收斂速度，快速收斂到全局最優。
- 圖像大小的話，一般情況224差不多，太大的話顯存不夠用，就要降低batch_size了,可能影響ACC。
- 學習率由大到小衰減，策略選用.CosineAnnealing。 相關方法已經封裝在pytorch裏了。
- 圖像變換的話，簡單高效選定一兩樣即可。 比如 中心裁剪，水平、垂直翻轉，仿射變換，繞中心旋轉，像素擦除。最後的話，在賽末階段，提升0.幾分都得靠運氣，儘量多提交幾次。 可以在torchvison這個包中找到相應方法。
本文爲作者在FlyAI平臺發佈的原創內容，採用知識共享署名-非商業性使用-禁止演繹 4.0 國際許可協議進行許可，轉載請附上原文出處鏈接和本聲明。
本文鏈接地址（視頻講解直達）：https://www.flyai.com/n/97740