随着互联网的普及，我们可以通过万维网访问各种图片，但有些图片可能会包含不良信息、侵犯隐私等问题，在保证用户浏览体验的前提下，如何对图片进行审核成为一个热门的话题。人工审核具有成本高、效率低、主观性强等问题，而利用人工智能技术进行图片审核则具有准确性高、效率高、可扩展性好等优点。

在应用人工智能技术进行图片审核时，我们通常采用“卷积神经网络+分类器”的方法，将图片预处理后输入到卷积神经网络中，经过多层卷积和池化后，将提取出的特征输入到分类器中进行分类。常见的分类器包括支持向量机、逻辑回归和朴素贝叶斯等。

下面我们来看一下如何使用Python中的Keras框架来搭建一个简单的图片审核模型。

首先，我们需要下载一组包含正常图片和不良图片的训练数据集。根据问题的实际情况，可以选择使用公开数据集或者自己构建数据集。这里我们使用Keras自带的MNIST数据集作为示例。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将输入图片转换成四维数组，第一维为样本数量，第二维和第三维分别为图片长和宽，第四维为通道数，这里为1（灰度图像）
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)

# 将像素值转换到0到1之间
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

# 将标签转换成独热编码
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

接下来，我们构建一个简单的卷积