目前人工智能技术已经渗透到媒体日常生产的全部环节,研究面向内容安全的图像识别技术,对网络中的违法不良图像信息进行识别和监管,具有重要的现实意义。本设计利用深度可分离卷积神经网络和MobileNet模型,配合cuDNN的GPU并行计算架构,对构建的敏感图像数据集进行训练。保存训练完成的模型,对敏感图像实现较高准确度的识别。 采用梯度下降算法，优化一个步长的梯度，定义选到yi的概率为:Pyi=efyi∑nj=1ej，再求损失函数对每个权重矩阵的偏导，其中应用链式法则:?Li?fyi=?(－ln(efyi∑nj=1ej))?fyi=Pfyi－1，最后结果的形式较为简单，算出的概率向量对应的真正分类结果下的那一维度减去1即可进行反向传播。如图3所示，本设计相关网络1000次迭代，交叉熵不断下降并趋于平缓的过程，体现了预测值与真实值之间的不断接近，红色为训练集，蓝色为验证集［13－16］本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  。图像识别系统设计-电动折弯机数控滚圆机滚弧机张家港电动倒角机液压滚圆机滚弧机图3交叉熵(1000次网络迭代)4结论如图4所示，可以看出保存模型识别出的图像中枪械类的识别率为0．977，血腥类为0．01，斗争类为0．01，色情类为0．002，爆炸类为0．0001，得出该图是属于枪械类的敏感图片。图4枪械需识别的图片后，通过所保存的训练模型，即可准确度较高的识别黄色、争斗、暴力、血腥以及枪械的五类图像。2MobileNet模型GoogleMobileNet网络架构，是一系列在Tensor-Flow上高效、小尺寸的移动优先型视觉模型。其具有结构孝延迟低、功耗低的特性，依旧可以像大规模模型(如Inception)一样，用于图像的分类、检测、嵌入以及分割等任务，有效地最大化模型的准确性［7－11］。MobileNet模型采用的是深度可分离卷积神经网络，又名D它将传统的卷积分为了Depthwise卷积和Pointwise卷积，打破通道数量，卷积内核大小，通过滤波和组合方式形成卷积。其本质为冗余信息更少的稀疏化表达。在此基础上给出高效模型设计的两个选择:宽度因子(widthmultiplier)和分辨率因子(resolutionmultipli-er)，以通过权衡大小、延迟时间以及精度，构建更小规模、速度更快的网络模型［12］。1．1网络结构在图1中可以看出该网络与传统卷积神经网络的不同，3×3的Depthwise卷积以及1×1的卷积被当作两个独立模块计算，再通，批标准化)和ＲeLU(ＲectifiedLinearUnit，线性修正单元)激活函数来构建网络。图1MobileNet中的卷积网络与传统卷积网络的区别在表1中，具体展示了28层的MobileNet模型结构，通过Depthwise卷积和Pointwise卷积构建整个网络。将输入时的224×224×3的输入尺寸，通过卷积、池化、全连接和Softmax分类器分类，最终输出1001维尺寸，便于进图像识别系统设计-电动折弯机数控滚圆机滚弧机张家港电动倒角机液压滚圆机滚弧机本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com