网络需要在图像和输出概率（评分0-1）之间过滤不适合工作的图片。评分<0.2表示图像具有较高概率是安全的。评分＞0.8表明极有可能是不适合工作（NSFW）图像。
我们建议开发者根据用例和图像类型的不同选择合适的阈值。根据使用情况、定义以及公差的不同会产生误差。理想情况下，开发人员应该创建一个评价集，根据“什么是安全的”对他们的应用程序进行定义，然后适合ROC曲线选择一个合适的阈值。
结果可以通过微调你的数据/uscase/定义NSFW的模型的改进。我们不提供任何结果的准确性保证。
使用者适度地结合机器学习解决方案将有助于提高性能。
模型描述：我们将不适合工作的图片（NSFW）作为数据集中的积极对象，适合工作的图片作为消极对象来进行训练。所有这些被训练得图片都被打上了特定的标签。所以由于数据本身的原因，我们无法发布数据集或者其他信息。
我们用非常不错的名字叫“CaffeOnSpark”的架构给“Hadoop”带来深度学习算法，并且使用Spark集群来进行模型训练的实验。在此非常感谢CaffeOnSpark团队。
深度模型算法首先在ImageNet上生成了1000种数据集，之后我们调整不适合工作（NSFW）的数据集比例。我们使用了501by2的残差网络生成网络模型。模型通过 pynetbuilder 工具以及复制残余网络的方法会产生50层网络（每层网络只有一半的过滤器）。你可以从这里获取到更多关于模型产生的信息。
更深的网络或者具有更多过滤器的网络通常会更精确。我们使用剩余（residual）网络结构来训练模型，这样可以提供恰到好处的精确度，同样模型在运行以及内存上都能保持轻量级。
评论