Для определения соответствия фотографии цензурным требованиям обычно используют классификацию на основе нейросетей, чаще всего CNN (свёрточные сети). Основные шаги: - Сбор и разметка датасета (цензурные/нецензурные изображения) - Обучение модели (например, MobileNetV3 или EfficientNet для баланса скорости/точности) - Развёртывание модели в продакшен Пример с использованием TensorFlow/Keras: ``` from tensorflow.keras.applications import MobileNetV3Small from tensorflow.keras.layers import Dense, GlobalAveragePooling2D from tensorflow.keras.models import Model base_model = MobileNetV3Small(weights='imagenet', include_top=False) x = base_model.output x = GlobalAveragePooling2D()(x) predictions = Dense(1, activation='sigmoid')(x) model = Model(inputs=base_model.input, outputs=predictions) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) model.fit(train_data, epochs=10, validation_data=val_data) ``` Ключевые нюансы: - Необходимость балансировки классов - Data augmentation для улучшения обобщения - Кастомизация порога классификации (обычно 0.5, но можно регулировать) - Обработка false positive/false negative - Возможность добавления мультимодальности (текст на изображении и т.д.)