V1.0更新：

一，对网络结构调整：

1，通过大量实验测试，最终在RESnet50与VGG16中使用VGG16。

基于深度学习的“微博人像自动识别转发机器人”设计

2，通过观察爬取的数据集特征，将训练数据集分为5类，分别为”人像“，“食物”，“文字”，“动物”，“风景”。

3，训练100次epoch

4，batchsize=24

5，imagesize = 120

最终实际运行准确度更加趋近稳定，对于动物误识别为人的概率大大减小。

基于深度学习的“微博人像自动识别转发机器人”设计

二，增加更多的功能：

1，将屏蔽转发用户写入为block_list文件，从文件中读取屏蔽用户。

2，当用户发送 “@深绘里 -quit”时，可以将自己列入屏蔽列表中，当发送”@深绘里 -join“，可以重新参与被检索。

3，当用户quit or join，通过私信告知用户。

4，为了提高检测精准度，预测图像的时候，对于长 or 高（比例大于1：1.3）的图像裁剪为上，中，下，以及整张图resize为正方形的四张图片进行预测，如果有一张检测为人像，并且另外三张没有同时检测为其他同一类型的图片，则正确分类为人像。

5，自动生成日志log文件，存放于log/log_.txt中。

6，修补bug（修改为运行时强制使用CPU运行，不占用GPU显存）。

程序逻辑设计概要

本文实验采用Python+Keras作为主要语言，使用饭否API接口实现对微博用户上传的图片实时监控，通过多层卷积神经网络对采集图像进行识别，图像符合人群画像标准，则转发。通过对神经网络训练，识别准确率可达到82.5%。点击这里查看微博链接。

卷积神经网络设计

本文采用对Lenet经典神经网络改进网络，网络结构如下：

基于深度学习的“微博人像自动识别转发机器人”设计

# first set of CONV -> RELU -> POOL layers
model.add(Conv2D(20, (5, 5), padding="same", input_shape=inputShape))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# second set of conv relu pool layers
model.add(Conv2D(50, (5, 5), padding="same"))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# triple set of conv relu pool layers
model.add(Conv2D(20, (5, 5), padding="same"))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# first (only) set of FC relu layers
model.add(Flatten())
model.add(Dense(500))
model.add(Activation("relu"))
# softmax classifier
model.add(Dense(classes))
model.add(Activation("softmax"))