从人工智能鉴黄模型，尝试TensorRT优化

随着互联网的快速发展，越来越多的图片和视频出现在网络，特别是UCG产品，激发人们上传图片和视频的热情，比如微信每天上传的图片就高达10亿多张。每个人都可以上传，这就带来监管问题，如果没有内容审核，色情图片和视频就会泛滥。前不久，一向以开放著称的tumblr，就迫于压力，开始限制人们分享色情图片。更别提国内，内容审核是UCG绕不过去的坎。还记得前几年出现的职业鉴黄师这一职业么？传说百万年薪，每天看黄片看得想吐，但最近又很少有人提及这一职业，这个应监管而生的职业，因人工智能的出现又快速消亡。（当然也不是完全消亡，毕竟判断是否色情图片是一个主观的事情，有些艺术和色情之间的边界比较模糊，需要人工加以判断）

之前写过一篇文章 利用人工智能检测色情图片 ，也曾经尝试过在浏览器中加入色情图片过滤功能，但实验下来，推理速度太慢（当时使用的Google Nexus 4做的测试，检测一张图片需要几秒钟），没法做实时过滤。最近在研究nvidia的Jetson Nano以及推理加速框架TensorRT，因此想尝试一下，看能否应用一些加速方法，加速推理。

虽然我的最终目标是应用到Jetson Nano，但是TensorRT其实适用于几乎所有的Nvidia显卡，为了方便起见，我还是先在PC端进行尝试。没有Nvidia显卡？也没有关系，可以看看我前面发布的两篇文章：

1. 谷歌GPU云计算平台，免费又好用
2. Google Colab上安装TensorRT

open_nsfw

本文采用的深度学习模型是雅虎开源的深度学习色情图片检测模型open_nsfw，这里的NSFW代表Not Suitable for Work，该项目基于caffe框架。由于我主要研究的是Tensorflow，所以在网上找到该模型的Tensorflow实现版本，fork了一份，并添加了TensorRT框架的处理脚本，你可以使用如下命令获得相关代码：

git clone https://github.com/mogoweb/tensorflow-open_nsfw.git
复制代码

在 model.py 中，我们可以看到open_nsfw的模型定义， data/open_nsfw-weights.npy 是采用 工具 从yahoo open_nsfw的cafee权重转换得到的Tensorflow权重，这样我们无需训练模型，直接用于推理过程。 classify_nsfw.py 脚本可用于单张图片的推理：

python classify_nsfw.py -m data/open_nsfw-weights.npy test.jpg
复制代码

注意：脚本提供了两种解码图片文件的方式，一种是采用PIL.image、skimage进行图片处理，也就是所谓的yahoo_image_loader，一种是采用tensorflow中的图片处理函数进行处理。因为原始的open_nsfw模型是采用PIL.image、skimage进行预处理而训练的，而不同的库解码出来的结果存在细微的差异，会影响最终结果，一般优选选择yahoo_image_loader。当然，如果你打算自己训练模型，那选择哪种图片处理库都可以。

tools 目录下有一些脚本，可以将模型导出为 frozen graph 、 saved model 以及 tflite 等格式，这样我们可以方便的在服务器端部署，还可以应用到手机端。

opt是我编写的采用TensorRT框架加速的代码，在下面我将详细说明。

导出为TensorRT模型

目前TensorRT作为Tensorflow的一部分得到Google官方支持，其包位于 tensorflow.contrib.tensorrt ，在代码中加入：

import tensorflow.contrib.tensorrt as trt
复制代码

就可以使用TensorRT，因为有Google的支持，导出到TensorRT也就相当简单：

trt_graph = trt.create_inference_graph(
                input_graph_def=frozen_graph_def,
                outputs=[output_node_name],
                max_batch_size=1,
                max_workspace_size_bytes=1 << 25,
                precision_mode='FP16',
                minimum_segment_size=50
        )

        graph_io.write_graph(trt_graph, export_base_path, 'trt_' + graph_name, as_text=False)
复制代码

其中：

• input_graph_def 为需要导出的Tensorflow模型图定义
• outputs 为输出节点名称
• max_batch_size 为最大的batch size限制，因为GPU存在显存限制，需要根据GPU memory大小决定，一般情况可以给8或者16
• precision_mode 为模型精度，有FP32、FP16和INT8可选，精度越高，推理速度越慢，也要依GPU而定。

graph_io.write_graph 将图写入到文件，在后续的代码中可以加载之。

完整的代码请参考 opt/export_trt.py 文件。

测试数据

因为一些政策法规的限制，并没有公开数据集可提供下载，不过在github上有一些开源项目，提供脚本，从网络上进行下载。我使用的是 github.com/alexkimxyz/… 这个开源项目中的脚本。这个项目提供drawings、hentai、neutral、porn、sexy四种类别图片，可以划分为训练集和测试集，并检查图片是否有效（因为从网络爬取，有些链接不一定能访问到）。

注意这个图片下载量非常大，需要注意别把硬盘撑满。虽然这个数据量够大（几万张），可以自行进行模型训练，但和yahoo训练open_nsfw模型的图片量相比，还是小巫见大巫，据说yahoo训练这个模型用了几百万张的图片。

推理速度对比

在opt目录下，我针对两种模型的加载和推理添加了两个脚本，分别是 benchmark_classify_nsfw.py 和 benchmark_classify_trt.py ，细心的同学可能会发现，这两个脚本几乎一模一样，是的，除了 benchmark_classify_trt.py 多了一行代码：

import tensorflow.contrib.tensorrt as trt
复制代码

加入这行import语句，告诉tensorflow使用TensorRT框架，否则的话，会出现如下错误：

tensorflow.python.framework.errors_impl.NotFoundError: Op type not registered 'TRTEngineOp' in binary running on alex-550-279cn. Make sure the Op and Kernel are registered in the binary running in this process. Note that if you are loading a saved graph which used ops from tf.contrib, accessing (e.g.) `tf.contrib.resampler` should be done before importing the graph, as contrib ops are lazily registered when the module is first accessed.
复制代码

取2000张测试图片进行测试，在我的GTX 960上，推理速度如下：

未优化模型： 53 s
使用TensorRT优化模型： 54 s
复制代码

如果你下载更大的数据集，可以多测试一些图片，看看优化效果。

在Google Colab上，我放了一份Jupter Notebook，有兴趣的同学可以借助Google Colab尝试一下，文件地址： colab.research.google.com/drive/1vH-G… ，当然你也可以访问我github上完整的脚本及Notebook：

github.com/mogoweb/ten…

点击阅读原文，可以跳转到该项目。

题外话：

微信公众号流量主的门槛已经大大降低，我在公众号文章底部开通了广告，希望没有影响大家的阅读体验。我一直很好奇，这种广告会有人点击么，过一段也许我会得到答案。

你还可以读：