简介：基于ResNet的人脸表情识别Python期末大作业完整项目，面向高校学生、Python初学者或需要完成课程设计的人群。项目包含可直接运行的源代码、配套图像数据集与详细说明文档，源码已通过本地编译调试，评审分数达到95分以上，难度适中，覆盖人脸检测、表情分类、模型训练与测试等典型流程。压缩包共103个文件，约54.11MB，构成以py源码、hdf5训练权重、png/jpg样本图片、xml配置文件以及gif演示动画为主，并附有mp4演示视频和md笔记，目录层级清楚，便于对照源码理解各模块功能。说明文档对运行环境、文件结构和操作流程均有交代，适合按步骤复现。已有135人浏览学习，可用于课程报告素材、答辩展示或毕业设计基础，帮助快速掌握ResNet在实际图像识别任务中的搭建与应用思路。
1. 期末大作业拿到手，先搞清楚这份人脸表情识别资源包里到底有什么
期末周最怕的不是写代码，而是下载了一个号称“源码+数据集+说明文档”三件套齐全的 Python 大作业压缩包，解压后却发现源码跑不通、数据集路径对不上、文档是 README 模板。这份基于 ResNet 的人脸表情识别项目，核心任务是把一张人脸图像归类到 7 种常见表情——生气、厌恶、恐惧、高兴、悲伤、惊讶、中性，模型骨架用 ResNet 残差网络，训练和推理用 PyTorch 完成。它的价值不在“识别准确率有多高”，而在于它是一条完整的工业流程缩影：数据读取、图像预处理、卷积网络设计、训练调参、模型保存和测试评估，正好覆盖期末大作业要求的知识点。适合三类人来读：第一次接触图像分类的本科生、想把手头代码包改造成自己项目的初学者，以及在答辩前想给演示环节加分的同学。这篇文章会先带你跑通最小 Demo，再逐步拆数据和模型，最后把最常见的训练翻车点列成排查清单。
2. Python 环境搭建与项目结构：先让代码跑起来，再谈准确率
拿到压缩包后，多数人的第一反应是双击main.py，然后在报错堆里度过一个通宵。正确的顺序应当是先复现环境，再跑通最小化推理脚本，最后才碰训练代码。这个顺序能帮你把“代码问题”和“环境问题”分开，否则你永远分不清报错是缺包还是代码本身的 bug。
2.1 Python 版本与依赖安装：torch 和 torchvision 必须同版本匹配
ResNet 实现通常基于 PyTorch，而不是纯手工写卷积层。PyTorch 的安装是整个环境搭建里最容易出错的地方，尤其是 torch 和 torchvision 的版本匹配问题。常见做法是创建一个独立的虚拟环境，Python 版本选择 3.8 或 3.9 比较稳妥，新版 Python 对某些旧代码的兼容性并不理想。
conda create -n face_exp python=3.9 -y conda activate face_exp pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu参数说明：如果电脑有 NVIDIA 显卡且驱动已装好，可以把cpu换成cu118或cu121获得 GPU 加速；没有显卡就用 CPU 版，训练慢一点但能跑。安装完成后用一条命令验证版本：
python -c "import torch, torchvision; print(torch.__version__, torchvision.__version__)"逻辑说明：torch 和 torchvision 的版本必须配套，否则 import 时直接报ModuleNotFoundError或RuntimeError。看到版本号输出后，再安装 OpenCV 用于图像读取和人脸检测，numpy、pandas、matplotlib 作为基础库一并装好。如果你用的是 VSCode，记得在右下角选择刚创建的 conda 环境，否则终端里明明装了包，编辑器里却一直飘红。
2.2 压缩包内文件的三种典型布局与各自作用
不同的期末大作业包结构差异很大，但万变不离其宗，通常三类东西是固定的：模型定义文件、训练和测试脚本、数据集目录。拿到手先别急着跑，用tree命令或者资源管理器看一遍，心里对文件职责有个底。
face-expression-recognition/ ├── model/ │ └── resnet.py # ResNet 网络结构定义 ├── data/ │ ├── train/ # 按类别分文件夹的训练集 │ │ ├── angry/ │ │ ├── happy/ │ │ └── neutral/ │ ├── val/ # 验证集 │ └── test/ # 测试集 ├── utils/ │ ├── dataset.py # 数据集加载和预处理 │ └── train.py # 训练逻辑 ├── predict.py # 单张图片预测脚本 └── requirements.txt如果压缩包里没有上面的test文件夹，只有train和val，也不要慌，这是常见做法——测试集留给你自己跑模型输出指标，或者用摄像头实时测试代替。关键要确认一件事：数据集是否已经按类别分好了文件夹。如果数据是 CSV 格式（比如 fer2013 的原始格式带像素列和标签列），代码里会额外有一个解析脚本。这一步不用改代码，只看结构，目的是让你知道每个文件是干什么的，后续出了问题知道去哪里改。
2.3 跑通最小推理脚本：用一张测试图验证模型和代码串起来
环境装好、文件结构清楚后，先别碰训练代码，直接跑一次推理。这是整个流程中性价比最高的一步：它能在五分钟内验证模型能前向传播、权重能加载、预处理流程没写错。
# predict.py import torch import cv2 import numpy as np from model.resnet import ResNet18 EMOTION_LABELS = ['angry', 'disgust', 'fear', 'happy', 'sad', 'surprise', 'neutral'] def preprocess(image_path): img = cv2.imread(image_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img = cv2.resize(img, (48, 48)) img = img.astype(np.float32) / 255.0 # 归一化：均值0.5，方差0.5，符合训练时的统计分布 img = (img - 0.5) / 0.5 img = np.expand_dims(img, axis=0) # 加通道维：1x48x48 img = np.expand_dims(img, axis=0) # 加 batch 维：1x1x48x48 return torch.from_numpy(img) if __name__ == '__main__': model = ResNet18(num_classes=7) model.load_state_dict(torch.load('best_model.pth', map_location='cpu')) model.eval() with torch.no_grad(): tensor = preprocess('test_face.jpg') output = model(tensor) pred = torch.argmax(output, dim=1).item() print(f'预测结果: {EMOTION_LABELS[pred]}')逻辑说明：这段代码里preprocess函数做了四件事——读取图像、转灰度、缩放到 48×48、归一化到 [-1, 1] 区间。ResNet18 的输入是单通道灰度图，注意这里的np.expand_dims连续调用两次，第一次加通道维度，第二次加 batch 维度，顺序错了会直接报维度不匹配的错。model.eval()会关闭 dropout 和 BatchNorm 的训练行为，这一步漏掉会导致同样的图片每次预测结果都不同。
参数说明：map_location='cpu'指定无论训练时用的是 GPU 还是 CPU，推理时装到当前设备的 CPU 上，避免 GPU 环境不一致时报错。如果你跑这段代码时报KeyError，说明保存的权重文件名和代码里的模型结构对不上，最常见的原因是训练时用了torch.save(model.state_dict())而推理时却尝试加载整个模型，这两者的保存和加载方式不同。
跑通了这一段，环境层面的坑基本就排完了。接下来进入数据环节——决定表情识别准确率的往往是数据而不是模型。
3. 人脸数据集加载与预处理：表情识别的胜负手在数据质量
表情识别和通用物体分类有一个显著差异：类间差异小、类内差异大。同样是“高兴”，大笑和微笑在视觉特征上差别明显，更不用说不同人种、年龄、光照条件下的同一表情。这也是为什么很多人把 ResNet 模型改来改去准确率依然上不去——问题根本不在网络结构，而在于喂给网络的数据太粗暴。
3.1 数据集的目录组织与标签映射：先弄清每张图该进哪个文件夹
常见的数据集有两种组织方式。第一种是已分类的文件夹结构，train/angry/下放所有愤怒表情的图片，这是最友好的格式，torchvision.datasets.ImageFolder可以直接读取，自动把字母顺序映射为类别索引。第二种是 CSV 格式，典型代表是 fer2013，每行由 像素值 和 标签 组成，需要自己解析。
ImageFolder的自动映射规则值得注意：它按文件夹名称的字母序生成标签索引，而不是按你期望的“生气=0、高兴=3”的顺序。假设你的文件夹名恰好是angry、disgust、fear、happy、sad、surprise、neutral，那么索引映射是 0-angry、1-disgust、2-fear、3-happy、4-neutral、5-sad、6-surprise，neutral排在了sad前面。如果你的训练代码里写死了某个数字对应某个表情，而数据集目录顺序不是按字母序排列的，那模型的预测结果和真实标签就会全部错位。这也是许多大作业代码“准确率奇低”的隐藏原因之一。
一个稳妥的做法是自己写一个显式的类别映射表，不依赖框架的自动排序：
# utils/dataset.py from torchvision import datasets, transforms class ExpressionDataset(datasets.ImageFolder): ''' 自定义数据集类，显式指定类别映射，避免字母序导致的标签错位 ''' EMOTION_MAP = { 'angry': 0, 'disgust': 1, 'fear': 2, 'happy': 3, 'sad': 4, 'surprise': 5, 'neutral': 6 } def __init__(self, root, transform=None): super().__init__(root, transform=transform) # 把 ImageFolder 的自动映射替换为显式映射 self.class_to_idx = self.EMOTION_MAP self.classes = list(self.EMOTION_MAP.keys()) self.samples = [(path, self.EMOTION_MAP[cls]) for path, cls in self.samples]逻辑说明：ImageFolder会在初始化时扫描所有子文件夹并建立映射，因此先调用super().__init__完成目录扫描，再覆盖class_to_idx和samples，这样在数据加载阶段就杜绝了标签错位的隐患。这个类的优点是训练代码无需改动，DataLoader直接可用。
参数说明：如果你的数据集只有六类或八类表情，改EMOTION_MAP的键值即可。注意文件夹名称必须与EMOTION_MAP的键完全一致，大小写敏感，Happy和happy会被视为两个不同的文件夹。
3.2 数据增强参数：翻转、旋转、归一化的顺序与数值会直接影响收敛
表情识别数据集普遍不大，公开数据集通常也只有几万张样本，分配到每个类可能只有几千张。不做数据增强，模型很快就会过拟合，训练集准确率冲上 95%，验证集卡在 60% 上不去。数据增强的本质是给模型看更多的“变异样本”，提升泛化能力。
# 训练集增强：训练时随机扰动，测试时不加扰动 train_transform = transforms.Compose([ transforms.RandomResizedCrop(size=48, scale=(0.8, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(degrees=10), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5]) ]) val_transform = transforms.Compose([ transforms.Resize(48), transforms.CenterCrop(48), transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5]) ])参数说明：RandomResizedCrop的scale=(0.8, 1.0)表示裁剪面积是原图的 80% 到 100%，小于 0.8 会让面部关键区域被切掉过多，模型学到的是残缺特征。RandomRotation(degrees=10)只旋转正负 10 度，表情识别对旋转角度的容忍度比物体分类低得多，转 30 度人脸就不再是“正脸”了。ColorJitter的亮度对比度扰动控制到 0.2，调大容易让肤色和光照特征失真。归一化的 mean 和 std 填 0.5 是因为灰度图只有一个通道，这对应的是灰度值归一化到 [-1, 1] 的线性变换。
逻辑说明：关键点在于训练集和验证集必须用不同的 transform，验证集绝不可以使用RandomHorizontalFlip，否则指标波动会很大且不真实。另外预处理要把ToTensor()放在Normalize()之前，因为ToTensor会把 PIL 图像或 numpy 数组的 HWC 格式转换成 CHW 格式并缩放到 [0, 1]，然后Normalize才能做标准化运算。顺序反了，Normalize会报类型错误。
3.3 灰度图还是彩色图：一个影响模型选择的预处理细节
很多人忽略的一个问题是：原始数据集图像可能是灰度图，也可能已经被人转成了三通道彩色图。两者在代码写法上只差一个参数，但对模型的影响很大。
如果你使用的是 48×48 的灰度图（fer2013 原始格式），输入是1×48×48，ResNet 的第一个卷积层需要改成in_channels=1。如果你是用了别人已经转好的三通道版本，输入是3×48×48，这时 ResNet 可以直接使用 ImageNet 预训练权重。
# 灰度图输入时，修改 ResNet 第一层 def ResNet18(num_classes=7, in_channels=1): from torchvision.models import resnet18 model = resnet18(pretrained=False) model.conv1 = torch.nn.Conv2d(in_channels, 64, kernel_size=7, stride=2, padding=3, bias=False) model.fc = torch.nn.Linear(model.fc.in_features, num_classes) return model逻辑说明：resnet18(pretrained=False)指不加载 ImageNet 上预训练过的权重，相当于完全从零训练。如果数据集规模在数万张级别，从零训练是可以接受的；如果只有几千张，加载预训练权重会明显缓解过拟合。
关于使用预训练权重的一个权衡是：ImageNet 预训练模型的输入是三通道彩色图，如果你的数据是灰度图，有两条路——把灰度图复制成三通道再加载预训练权重，或者保持单通道从零训练。前者的好处是收敛更快、起点更高；后者省显存但训练更久。考虑到期末大作业的时间约束，建议优先采用加载预训练权重的方式，代码上只需把灰度图复制三次变为三通道。
4. 基于 ResNet 的表情分类网络：残差结构、全连接层改造与两个可选调优点
环境、数据、加载流程都就绪后，下一步是把目光聚焦到模型本身。ResNet 在表情识别任务里是一个“打得狠但不用上全力”的选择——它的残差结构解决了深层网络退化问题，但在一个只有 7 类的小数据集上，50 层和 18 层的差距几乎看不出来。所以本节从 ResNet18 讲起，并落在课程设计真正关心的两点上：模型怎么改、哪些参数值得调。
4.1 残差结构为什么适合表情识别：浅层特征和深层语义都需要保留
ResNet 的核心创新是残差连接。在普通的卷积网络中，每一层学到的都是上一层输出的函数，层数加深时梯度回传会衰减，导致浅层参数几乎得不到更新。残差块引入了一条捷径，把输入直接加到输出上，让网络学习的是输入与输出之间的差值，即残差。这样即使层数很深，梯度也能通过捷径直接传回浅层。
表情识别的特殊性在于——它既需要浅层网络捕捉的边缘、纹理等局部特征，比如嘴巴的弧度、眼角的皱纹，又需要深层网络提取的全局语义特征，比如整张脸的组合表情模式。残差连接恰好同时保留了两者：浅层特征通过捷径传到深层，深层网络不至于丢失细节信息。
# model/resnet.py —— 核心残差块实现 import torch.nn as nn class BasicBlock(nn.Module): expansion = 1 def __init__(self, in_channels, out_channels, stride=1, downsample=None): super().__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(out_channels) self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(out_channels) self.downsample = downsample def forward(self, x): identity = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) if self.downsample is not None: identity = self.downsample(x) out += identity out = self.relu(out) return out逻辑说明：downsample是残差连接中处理维度不匹配的操作。当输入通道数和输出通道数不同，或者特征图尺寸因为 stride=2 减半时，直接把输入加到输出上会报尺寸错误，此时需要一个1×1卷积把输入映射到输出维度。BatchNorm 的作用是对每层输出做归一化，放在卷积之后、激活函数之前，这个顺序是 ResNet 的标准配置，不能乱调。
参数说明：kernel_size=3, stride=1, padding=1是保持特征图尺寸不变的默认组合，stride=2时特征图尺寸减半，用于逐层压缩 spatial 维度，这也是网络越深、感受野越大的关键路径。
4.2 全连接层改造：从 ImageNet 的 1000 类到表情识别的 7 类
标准 ResNet18 最后是一个输出 1000 维的fc层，对应 ImageNet 数据集的 1000 个类别。表情识别要把它替换成输出 7 维的全连接层。
def build_model(num_classes=7, use_pretrained=True): from torchvision.models import resnet18, ResNet18_Weights if use_pretrained: weights = ResNet18_Weights.IMAGENET1K_V1 model = resnet18(weights=weights) else: model = resnet18(weights=None) # 替换最后一层：7 类表情 in_features = model.fc.in_features model.fc = nn.Sequential( nn.Dropout(p=0.5), nn.Linear(in_features, num_classes) ) return model逻辑说明：in_features从原来全连接层的属性中动态读取，值为 512，这样不管以后换 ResNet34 还是 ResNet50，都不用改这个数字。Dropout(p=0.5)加在全连接层之前是期望在训练时随机丢弃一半的神经元连接，强行让网络学到更鲁棒的特征。注意 Dropout 只在训练时生效，model.eval()后自动关闭。
参数说明：use_pretrained=True表示加载在 ImageNet 上预训练好的权重。虽然 ImageNet 是自然图像分类任务，和表情识别领域不同，但浅层的边缘、纹理特征提取器是通用的，预训练权重的初始化点要远好于随机初始化。数据量越小，使用预训练权重的收益越大；如果数据集规模已经超过五万张，两者的差距会被拉近。
4.3 两个值得用手调的点：全连接层前的全局池化与是否冻结浅层
ResNet 在最后一个残差块之后，会经过一个全局平均池化层，把特征图压缩成 1×1 的向量，然后才进入全连接层。这个细节对表情识别任务是有影响的：全局平均池化综合了整张特征图的空间信息，但如果人脸在图像中没有严格对齐，关键区域的位置漂移会被池化操作抹平。
第一个可调点是：把全局平均池化替换成自适应池化，指定输出尺寸为1×1。nn.AdaptiveAvgPool2d((1, 1))和nn.AvgPool2d的差别在于前者不需要你手动计算输入尺寸，无论前面的特征图是 7×7 还是 8×8，输出都会是 1×1。在代码里改成：
model.avgpool = nn.AdaptiveAvgPool2d((1, 1))逻辑说明：这样做的好处是当你想把输入图片从 48×48 改成 64×64 时，不需要重新计算池化层的参数。代价是增大了特征图的分辨率，计算量略微上升。对大作业而言，这个改动能让你的代码适应不同尺寸的输入数据，答辩时可以说“自适应池化保证了不同输入尺度的兼容性”。
第二个可调点在迁移学习里常用，即冻结浅层参数。浅层网络学到的是通用特征，比如边缘、颜色、纹理，这些特征在所有图像任务中都适用，不需要重新训练。只训练深层和全连接层，能有效减少训练时间，降低过拟合风险。
# 冻结前三个残差层，只训练最后一个残差层和全连接层 for name, param in model.named_parameters(): if 'layer3' not in name and 'fc' not in name: param.requires_grad = False参数说明：layer3是 ResNet18 中第四个残差阶段（层索引从 0 开始），这里的冻结策略是让layer3和最后的fc层可训练，其余层全部冻结。关键在于设置requires_grad = False后，优化器依然可以正常工作，只是不会计算这些参数的梯度，训练内存开销会明显降低。
这个冻结策略的适用场景是：你的数据集很小，比如只有几千张图，浅层特征不需要重新学；但如果数据集有几万张图，或者表情和 ImageNet 的类别差异太大，冻结反而限制了模型的表达能力。一个比较稳妥的做法是先用冻结策略跑 20 个 epoch，再用所有层参与训练来微调 10 个 epoch——前期防止过拟合，后期让模型适应表情特征。
5. 训练流程与五个经典坑：从 loss 不降到准确率上不去的排查思路
模型结构搭好后，训练环节是翻车重灾区。你可能会遇到训练 loss 震荡不降、验证集准确率低迷、模型在测试集上表现差异大等各类问题。这一节把训练主流程代码写清楚，再给你一份排查清单，每一条都是真实踩过的坑。
5.1 训练主流程：优化器、学习率调度、早停和模型保存
# utils/train.py import torch import torch.nn as nn from torch.optim.lr_scheduler import ReduceLROnPlateau def train_one_epoch(model, dataloader, criterion, optimizer, device): model.train() total_loss, correct, total = 0, 0, 0 for images, labels in dataloader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() * images.size(0) _, preds = torch.max(outputs, 1) correct += (preds == labels).sum().item() total += labels.size(0) return total_loss / total, correct / total def evaluate(model, dataloader, criterion, device): model.eval() total_loss, correct, total = 0, 0, 0 with torch.no_grad(): for images, labels in dataloader: images, labels = images.to(device), labels.to(device) outputs = model(images) loss = criterion(outputs, labels) total_loss += loss.item() * images.size(0) _, preds = torch.max(outputs, 1) correct += (preds == labels).sum().item() total += labels.size(0) return total_loss / total, correct / total训练参数建议：优化器选择Adam，初始学习率 1e-4（使用预训练权重时）或 1e-3（从零训练时），weight_decay设为 1e-4 做 L2 正则化。表情识别属于细粒度分类，学习率不宜过大，否则网络会在 loss 曲面上反复横跳。损失函数用交叉熵nn.CrossEntropyLoss()，内部已经包含 softmax，不需要在模型输出后再加激活层。
训练过程中会用到ReduceLROnPlateau这一类学习率调度器：当验证集 loss 连续多个 epoch 不下降时，把学习率乘以一个系数。它可以帮你在训练后期迈过局部极小值。
scheduler = ReduceLROnPlateau(optimizer, mode='min', factor=0.5, patience=3) best_acc = 0.0 for epoch in range(30): train_loss, train_acc = train_one_epoch(...) val_loss, val_acc = evaluate(...) scheduler.step(val_loss) if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), 'best_model.pth')逻辑说明：最佳模型的判断标准是验证集准确率，而不是训练集准确率。训练集准确率 95% 但验证集只有 60% 是过拟合的典型信号，保存验证集最优模型是最安全的策略。scheduler.step(val_loss)的参数是验证集 loss，当 loss 连续 3 个 epoch 不下降时，学习率减半。
5.2 坑一：loss 一直不降，卡在 1.9 附近原地踏步
现象：训练 loss 从一开始的 1.95 降到 1.90 左右就不再动了，准确率始终在 15% 上下徘徊。
原因：这个数值组合非常典型——log(7) ≈ 1.95 是七类表情随机猜测的理论 loss，卡住不动说明模型完全没有学到任何有效特征。最常见的原因是输入数据有问题，而不是模型结构问题。拿一张图片可视化检查一下，会发现很多数据集图片根本无法辨认出人脸，可能是分辨率太低、裁剪过度，或者标签错位。
解决：先检查预处理后的图像能否用肉眼看清楚。在训练脚本里加一段保存预处理结果的代码，把tensor转回 numpy 数组存成图片，亲自看一下。如果图片本身是模糊或错位的，需要重新调整预处理参数，比如RandomResizedCrop的scale下限不要低于 0.8，或者干脆先用Resize(48)和CenterCrop(48)跑通流程再做增强。
5.3 坑二：训练准确率接近 100%，验证集却只有 50% 多
现象：训练集 loss 一路降到 0.2 以下，准确率 95% 以上；验证集 loss 却先降后升，准确率停滞在 55% 左右。
原因：这是过拟合的标准曲线。表情识别数据集通常只有几万张，而 ResNet18 有约 1100 万参数，模型容量远远大于数据量，不加约束就会把训练集的特征背下来。
解决：按优先级依次尝试以下手段——第一，确认验证集没有使用数据增强，特别是没有RandomHorizontalFlip，翻转后的表情会引入额外干扰；第二，把 Dropout 的比率从 0.5 提高到 0.7，让全连接层更鲁棒；第三，减少训练轮数，从 30 个 epoch 调整为 15 个，配合早停机制在验证集 loss 连续上升时直接终止训练；第四，加载预训练权重再做迁移学习，这比从零训练快得多，也稳得多。
5.4 坑三：类别不均衡导致“悲伤”和“厌恶”的召回率极低
现象：整体准确率 65%，但看混淆矩阵发现，“高兴”的召回率 85%，而“悲伤”只有 30%，大量悲伤样本被预测成了中性。
原因：表情数据集普遍存在不均衡问题，中性、高兴的样本数量远多于厌恶、恐惧。交叉熵损失对多数类有天然偏向，少数类的梯度贡献被淹没。
解决：最简单的方案是给损失函数加类别权重。
# 法一：按样本数反比设置类别权重 from sklearn.utils.class_weight import compute_class_weight import numpy as np train_labels = [] # 从数据集中读取所有标签 weights = compute_class_weight('balanced', classes=np.unique(train_labels), y=train_labels) class_weights = torch.FloatTensor(weights).to(device) criterion = nn.CrossEntropyLoss(weight=class_weights)逻辑说明：compute_class_weight会自动计算每个类别的权重，样本数少的类别权重更大。损失函数计算时，每个样本的 loss 会乘上对应类别的权重，让模型更关注少数类。代价是总体准确率可能略微下降，但平均 F1 指标会有明显提升。如果你追求答辩时展示更均衡的分类效果，这会是一个值得做的改动。
5.5 坑四：显存不足或训练太慢到怀疑人生
现象：RuntimeError: CUDA out of memory，或者 CPU 上跑一个 epoch 要二十分钟。
原因：代码里 batch size 设得太大，或者训练时没有把模型和数据放到 GPU 上导致 CPU 死扛。另一个隐患是模型定义里包含了 Dropout 和 BatchNorm，它们在 CPU 上的计算效率确实不高。
解决：如果你的电脑没有 NVIDIA 显卡，用 CPU 训练时把 batch size 设为 8 或 16，同时把输入图像尺寸缩小到 48×48，这样单个 epoch 能控制在几分钟。还有一个容易被忽略的优化点是开启torch.backends.cudnn.benchmark = True，它能让卷积计算在 GPU 上自动选择最优算法。显存不够时优先减小 batch size，不要减小图像尺寸——图像分辨率本身已经很低了，再减就彻底看不清人脸了。
5.6 坑五：验证集 loss 突然跳高，但不影响准确率
现象：训练过程中，验证集的 loss 偶发性地出现尖峰，从 0.8 跳到 2.5，但准确率只掉了几个百分点，下一轮又恢复正常。
原因：多数情况下是验证集里的某一张图有问题，比如标签错误或图像损坏。loss 在一个 batch 里被异常样本拉高，对准确率的影响则被多数正常样本稀释。
解决：把验证集 loss 尖峰对应的具体样本打印出来看，检查标签是否正确。如果确实是个别错误样本，把它从验证集里删掉即可。这不是算法问题，是数据质量问题，但也值得在答辩时提起——能说明你对数据清洗有认识。建议在数据加载阶段加入图像完整性校验，读入图像后检查img is None，跳过损坏文件。
img = cv2.imread(path) if img is None: print(f'警告: 跳过无法读取的图像 {path}') return None6. 从离线测试到实时摄像头验证：给期末答辩加分的最后一公里
训练完成后，大多数代码包会卡在“只支持命令行传图片路径测试”这一步。如果你想在答辩现场做演示，图片预测远远不如实时视频有视觉冲击力。把一个基于 OpenCV 的实时表情识别脚本挂在项目根目录下，现场展示摄像头下的人脸框和表情标签实时联动，演示效果和心理观感会完全不同。
6.1 摄像头实时表情识别的最小实现
# realtime_demo.py import cv2 import torch import numpy as np from model.resnet import ResNet18 EMOTION_LABELS = ['angry', 'disgust', 'fear', 'happy', 'sad', 'surprise', 'neutral'] device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = ResNet18(num_classes=7) model.load_state_dict(torch.load('best_model.pth', map_location=device)) model.to(device) model.eval() def predict_emotion(face_roi): gray = cv2.cvtColor(face_roi, cv2.COLOR_BGR2GRAY) resized = cv2.resize(gray, (48, 48)) normalized = (resized.astype(np.float32) / 255.0 - 0.5) / 0.5 tensor = torch.from_numpy(normalized).unsqueeze(0).unsqueeze(0).to(device) with torch.no_grad(): output = model(tensor) pred = torch.argmax(output, dim=1).item() return EMOTION_LABELS[pred], torch.softmax(output, dim=1).max().item() # 使用 OpenCV 自带的 Haar 级联检测器定位人脸 face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break faces = face_cascade.detectMultiScale(frame, scaleFactor=1.1, minNeighbors=5, minSize=(64, 64)) for (x, y, w, h) in faces: face_roi = frame[y:y+h, x:x+w] emotion, confidence = predict_emotion(face_roi) cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) label = f'{emotion} {confidence:.2f}' cv2.putText(frame, label, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imshow('Facial Expression Recognition', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()逻辑说明：detectMultiScale返回人脸检测框的坐标和尺寸，scaleFactor=1.1表示每次图像缩放 10%，值越小检测越慢但精度越高；minNeighbors=5控制误检率，值越大漏检越多，值越小误检越多。每一帧检测到人脸后，裁剪出人脸区域交给表情模型预测。这段代码把你的项目从“只能处理离线图片”升级成“可以实时互动”，在答辩现场演示的互动性会远好于展示几张静态图片。
有一个细节值得注意：摄像头采集的图像通常光照不均，表情识别的效果受光照影响很大。如果演示现场光线不好，可以加一条cv2.equalizeHist直方图均衡化，让灰度分布更均匀。这是实践里的常规操作，也是区别于入门级作业的加分点。
6.2 模型评估与混淆矩阵：用一份可视化报告说服评委
除了实时演示，另一个能拉开差距的动作是给测试结果生成混淆矩阵和分类报告。期末答辩时，用一个“各表情识别准确率对照表”比单一口头说“准确率 68%”有说服力得多。
# eval_report.py —— 生成混淆矩阵和分类报告 import seaborn as sns import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, classification_report all_preds, all_labels = [], [] for images, labels in test_dataloader: images = images.to(device) labels = labels.to(device) with torch.no_grad(): outputs = model(images) _, preds = torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) cm = confusion_matrix(all_labels, all_preds) print(classification_report(all_labels, all_preds, target_names=EMOTION_LABELS)) plt.figure(figsize=(8, 6)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=EMOTION_LABELS, yticklabels=EMOTION_LABELS) plt.xlabel('Predicted') plt.ylabel('True') plt.savefig('confusion_matrix.png', dpi=150)使用说明：把这份报告图放进答辩 PPT 里，比贴十行代码更直观。classification_report会输出每个类别的 precision、recall、F1-score，你可以基于数据解释为什么某些类别容易混淆——这是答辩问答环节最好的储备素材。
我的一个习惯是，每次训练完把 confusion matrix 图片保存下来，命名带上日期和准确率数字，比如cm_20250115_acc068.png。训练了几十次之后回头看，这些图片比训练日志更直观地记录了每一步的改进过程。答辩时被问到“你都做了哪些尝试”，直接展示这组图片，比空口自我介绍要有底气得
多。如果你手头的代码包还没有实时演示和混淆矩阵这两个模块，花一两个小时把它们补上，投入产出比是这整份作业里最高的一项。希望这套流程能帮你把这份资源包真正跑通、讲清，顺利拿到应得的分数。
本文还有配套的精品资源，点击获取
