去年由于业务的需要，对图片的内容安全做一定的监控，简单的说就是图片鉴黄，由于早前就体验过nsfwjs的强大，所以第一时间就想到用它搭建一个图片鉴黄的服务。
翻看了github上nsfwjs的文档，也有node相关的例子，原本会以为比较顺利的可以搭建完成，没想到后面还是经历了一波三折，所以也就有了这篇文章，记录一下自己的心路历程。

1. 服务框架搭建

node框架选择很多，我这里选了egg，因为egg集成了很多丰富的能力，简单省事，并且图片鉴黄，必定会有上传，egg也很好的集成了上传模块，简单配置一下即可放心使用。
egg的搭建以及上传的配置，就不展开了，参考官方文档即可。
egg官方文档
 egg上传
node版本建议选用 14.x 及以上版本，反正我在centOS 7.x 环境下吃过亏了。

2. 安装

1 2	npm install nsfwjs npm install @tensorflow/tfjs-node

3. 加载模型

官方文档给出的例子如下：

const axios = require('axios')
const tf = require('@tensorflow/tfjs-node')
const nsfw = require('nsfwjs')
async function fn() {
    const pic = await axios.get(`link-to-picture`, {
        responseType: 'arraybuffer',
    })
    const model = await nsfw.load() // 加载模型
    const image = await tf.node.decodeImage(pic.data, 3)
    const predictions = await model.classify(image)
    image.dispose()
    console.log(predictions)
}
fn()

nsfw.load() 不传参数的话，默认加载一个官方的模型地址，模型的大小大概几十上百兆，加载的过程会比较慢，如果你的服务部署到非互联网环境，那就直接启动不了了，所以把模型放到本地服务才是比较好的解决方案。
先去nsfw_model下载模型到本地（选择第一个nsfw_mobilenet_v2_140_224.zip
即可），然后解压zip包。web_model文件夹里面就是我们需要的模型了。

web_model

然后把web_model里面的文件，放到egg项目下的app/model目录下，然后在项目根目录下增加一个app.js文件，内容如下：

const tf = require('@tensorflow/tfjs-node')
const nsfw = require('nsfwjs')

class AppBootHook {
    constructor(app) {
        this.app = app;
    }

    async didLoad() {
        console.log('nsfwModel 加载中···');
        this.app.nsfwModel = await nsfw.load('file://./app/model/', {
            type: 'graph'
        });
        console.log('nsfwModel 已经加州完毕！');
    }
}

module.exports = AppBootHook;

因为用的是graph model，所以type传’graph’

4. 图片鉴定

在app.js里面已经加载了模型，并且挂载到app.nsfwModel上，所以只要在需要的时候直接使用即可。
router和controller部分直接跳过，这部分是定义一个上传的路由，然后上传成功后获取上传的图片文件。与nsfwjs的使用没有太大关系，直接跳到获取到图片文件后使用nsfwjs鉴定。

const Service = require('egg').Service;
const tf = require('@tensorflow/tfjs-node');
const {
    Image
} = require('image-js'); // 官方到例子用'jpeg-js'，自己测试png格式会报错，所以改用'image-js'
const contentBoundary = require('../util/contentBoundary');

const convert = async img => {
    const image = await Image.load(img.filepath);
    const numChannels = 3;
    const numPixels = image.width * image.height;
    const values = new Int32Array(numPixels * numChannels);

    for (let i = 0; i < numPixels; i++) {
        for (let c = 0; c < numChannels; ++c) {
            values[i * numChannels + c] = image.data[i * 4 + c];
        }
    }

    return tf.tensor3d(values, [image.height, image.width, numChannels], 'int32');
};

class ContentCheckService extends Service {
    async contentCheck(img) { // img 为上传的file
        try {
            const image = await convert(img);
            const predictions = await this.app.nsfwModel.classify(image); // 图片鉴定
            console.log('Predictions: ', predictions);
            const isSafeContent = contentBoundary(predictions);
            return isSafeContent;
        } catch (err) {
            throw new Error(err);
        }
    }
}

module.exports = ContentCheckService;

// ../util/contentBoundary.js
const safeContent = ['Drawing', 'Neutral']; // 设置图片内容安全的类型

const contentBoundary = predictions => {
    let safeProbability = 0;
    for (let index = 0; index < predictions.length; index++) {
        const item = predictions[index];
        const className = item.className;
        const probability = item.probability;
        if (safeContent.includes(className)) {
            safeProbability += probability;
        }
    }
    return safeProbability > 0.5;
};

module.exports = contentBoundary;