随着互联网的发展，内容安全成为互联网不得不面临的严峻挑战。互动社区的崛起，网友素质的参差不齐，由于“涉黄”被勒令关闭的网站多如牛毛，因此“鉴黄”也显得尤为重要。虽然各个互联网企业都有专门的人员来做内容审核，但是无法跟上内容发展的速度，人工审核容易出现审核不及时、高成本、主观判断影响结果等问题。
因此通过深度学习的人工智能技术来进行图片鉴黄也是迫在眉睫。在本数据集一共包括5种图片类别，每个类别至少有1000张图像，其中训练集、验证集和测试集划分比例为6:2:2.
分析：赛题为图像5分类问题，初步选用resnet50 , vgg19 ,densenet 进行测试得分，使用预训练权重，改变softmax输出层的输出特征维度为5。
核心思路（解决方法的重点和亮点。包括但不限于数据预处理、数据增强、模型选择、模型优化、模型集成等）
进一步尝试后，采用了resnext网络，使用开源权重(from github)调参明细如下：
- 选用网络resnext101_32x16和pretrained weights :，引用pytorch相关库实现，
- 图像变换 : 0.5概率的水平翻转。
- 冻结网络层 : 前5层（此赛题效果最佳）。引用前人调参经验如下：场景：数据集小，数据相似度不高 在这种情况下，我们可以冻结预训练模型中的前k个层中的权重，然后重新训练后面的n-k个层，当然最后一层也需要根据相应的输出格式来进行修改。
- 因为数据的相似度不高，重新训练的过程就变得非常关键。而新数据集大小的不足，则是通过冻结预训练模型的前k层进行弥补。
- 图像size ：2245. 衰减的学习率 ： 余弦退火策略 - torch.optim.lr_scheduler.CosineAnnealingLR()
心得收获（竞赛收获，上分经验，比赛技巧）
- 就图像分类finetuning而言，模型和权重的选择至关重要。合适的网络类型有助于高的准确率，而预训练模型决定了网络的起步ACC 和 收敛速度，快速收敛到全局最优。
- 图像大小的话，一般情况224差不多，太大的话显存不够用，就要降低batch_size了,可能影响ACC。
- 学习率由大到小衰减，策略选用.CosineAnnealing。 相关方法已经封装在pytorch里了。
- 图像变换的话，简单高效选定一两样即可。 比如 中心裁剪，水平、垂直翻转，仿射变换，绕中心旋转，像素擦除。最后的话，在赛末阶段，提升0.几分都得靠运气，尽量多提交几次。 可以在torchvison这个包中找到相应方法。
本文为作者在FlyAI平台发布的原创内容，采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址（视频讲解直达）：https://www.flyai.com/n/97740