1.一种基于弱监督学习的App图像内容安全检测方法，其特征在于，其包括以下步骤：

S1、首先对部分数据进行预处理，进而采用K‑Means聚类算法对数据进行训练，K‑Means算法将给定的数据集，按照样本之间的距离大小，将样本划分为K个数据簇，让簇内的点紧密相连，而让组间的距离拉大，将簇划分为(C1,C2,...Ck)，最小化平方误差E为：其中，μi是簇Ci的均值向量，x为样本点的坐标，k为数据簇的个数；

S2、训练完成之后会生成权重文件，然后将其余数据输出送入Inception，通过Inception再与Resnet的输出相拼接，从而构成检测器，所述检测器以神经网络为基础框架，通过组合其中的神经元以达到输出要求，单个神经元的表达式为：其中， 为上一级神经元的输入， 为本级神经元的输出， 代表各个神经元连接的权重， 为偏置单元，用以修正输出，模型最终权重通过反向传播训练所获得；

所述检测器的使用步骤如下：

S21、采集用于训练检测器模型的数据，原始数据用数组的方式进行存储；

S22、对采集到的数据进行贴标签处理，一张图片对应着一个标签，标签采用one‑hot格式，以方便计算机进行处理；

S23、采用弱监督学习的方式，对部分图片进行处理，将处理过的数据放入模型中进行多次训练，采用Adam作为函数优化器，初步迭代500次，判断模型是否收敛，若收敛则根据模型损失来挑选出最优模型参数进行保存，用于之后的App图片检测，若不收敛，则继续进行迭代；

S24、App端收集需要进行检测的图片，将图片传输到模型中进行检测，如果图片内容符合要求，则检测结束，如果图片不符合要求，则对App发出修改信息。

2.根据权利要求1所述的基于弱监督学习的App图像内容安全检测方法，其特征在于，所示检测器采用卷积神经网络框架，使用卷积层，采用的局部连接和权值共享的方式，减少权值的数量。

3.根据权利要求1所述的基于弱监督学习的App图像内容安全检测方法，其特征在于，收集含有违法信息的图片，并进行打包处理，若为单一类别检测模式，则将每个类别区分开来，然后将每个类别中的50％的数据进行贴标签处理；若为多类别检测模式，则将所有的图片均匀混合，然后将所有数据的50％进行贴标签处理。

4.根据权利要求1所述的基于弱监督学习的App图像内容安全检测方法，其特征在于，所收集的图片中，50％的图片用Python中特有的库进行精准标注，其余图片利用K‑Means算法进行聚类标注。

5.根据权利要求1所述的基于弱监督学习的App图像内容安全检测方法，其特征在于，采用弱监督学习方法以减少数据标签的依赖性，降低前期的准备工作，整个算法的流程近似残差结构，使神经网络学习数据处理和未处理之间的差异，更好地检测出特征。

6.根据权利要求1所述的基于弱监督学习的App图像内容安全检测方法，其特征在于，模型的backbone部分采用Resnet，使得学习结果堆网络权重的波动变化更加敏感，同时残差结果对数据的波动更加敏感，在算法部分加入Inception结构，其结构能控制计算量和参数，获得良好的分类。

7.根据权利要求1所述的基于弱监督学习的App图像内容安全检测方法，其特征在于，训练App内容检测器的过程为：首先分别将精准标注的数据集和用K‑Means算法标注的数据集并行地整合成一个Image batch，然后将这批数据送入到以卷积神经网络为核心的backbone中，采用的backbone为Resnet。