尧图网页设计 
简介这是一个基于深度学习卷积神经网络的面部表情识别项目使用Pytorch实现适合作为毕业设计、课程设计或期末大作业。资源面向有一定Python基础、希望入门深度学习和图像分类的学生或开发者重点解决人脸表情多分类问题的完整落地流程包括数据处理、可视化与模型搭建。压缩包内共有2000个文件其中以1991张jpg人脸图像数据集为主另有6个Python源码文件、1个csv标签文件、1个说明txt整体大小约128.93MB结构清晰便于直接运行与二次开发。目前已超过1200人学习下载说明其实用性得到不少用户认可。通过完成该项目可以掌握CNN卷积神经网络的构建与训练方法熟悉Pytorch框架的基本操作并理解多分类任务与二分类的差异同时从加载图片、划分数据集到训练评估的完整代码路径也能帮助读者积累可迁移的深度学习工程经验达到举一反三的效果。1. 人脸表情识别为什么用 PyTorch 和卷积神经网络而不是调包人脸表情识别FER是一个标准的图像分类任务但它的难点不在“分类”本身而在数据。训练集通常是 48x48 的灰度图拍摄角度、光照、遮挡和人的主观表现都存在巨大差异同一个人的相同表情在不同图上可能差异很大。这种低分辨率、高噪声的数据让我见过不少团队把 ResNet 搬上来结果验证集准确率连 70% 都不到反而一套简单的三层卷积神经网络CNN能稳定跑到接近 72%。这也是我建议做这个项目时使用 PyTorch 的原因PyTorch 的动态图机制让你能随时打印中间层输出、调整卷积核数量调试多个 CNN 变体时比静态图框架顺得多配合官方预训练模型的生态一个专用于人脸表情识别的深度学习项目能在一台普通 GPU 上完成全部训练和验证。下面就从数据集预处理开始把整个流程拆成可复现的工程步骤。2. 数据集选择与预处理让人脸表情 CNN 吃到干净数据2.1 常用数据集对比从 FER2013、CK 到自建数据项目里最常见的数据集是 FER2013由 35887 张 48x48 灰度人脸照片组成表情分为 angry、disgust、fear、happy、sad、surprise、neutral 七类。另一个常用的是 CK它是连续序列帧适合做动态表情识别但静态图中样本较少JAFFE 是日本女性面部表情库样本量更小。选数据时我一般会先统计每个类别的样本数避免某个类只有几百张导致训练时被模型忽略。数据集样本量类别数灰度/彩色适用场景FER2013约 3.5 万7灰度 48x48单帧分类标准 benchmarkCK约 593 段序列7/8灰度时序表情识别需抽帧JAFFE213 张7灰度跨文化实验样本少自建数据集也不复杂把每类表情放进独立文件夹目录名不要带空格和中文torchvision.datasets.ImageFolder就能自动按目录生成标签。注意做人脸对齐只保留从眉毛到下巴的区域否则模型会把头发和背景当作特征验证集指标好看但真实场景一测就崩。2.2 用 torchvision.transforms 做归一化和数据增强用transforms做预处理时我通常会避免过强增强。表情识别的关键特征是五官的相对位置随机缩放太大会破坏眼睛和嘴巴的几何关系水平翻转是安全的随机旋转控制在 ±10° 以内更合理。FER2013 原始像素值范围是 0-255不归一化时第一层卷积的梯度容易溢出。以下是训练集和验证集常用的 transform 定义from torchvision import transforms train_transforms transforms.Compose([ transforms.Resize((48, 48)), transforms.RandomHorizontalFlip(p0.5), transforms.RandomRotation(10), transforms.ColorJitter(brightness0.1, contrast0.1), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ]) val_transforms transforms.Compose([ transforms.Resize((48, 48)), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ])ToTensor必须放在所有像素操作之后它会把 HWC 的 PIL 图像转成 CHW 的 tensor并把数值从 [0,255] 缩放到 [0,1]。Normalize(0.5, 0.5)是将每个通道按(x - 0.5) / 0.5映射到 [-1,1]对灰度图这里的 mean 和 std 直接写标量即可。验证集不做随机增强只做缩放和归一化保证评估结果稳定可复现。2.3 DataLoader 参数batch_size、num_workers 与 pin_memory数据处理流程确定后DataLoader的配置直接决定训练速度和内存占用。常见做法是from torch.utils.data import DataLoader train_loader DataLoader( train_dataset, batch_size128, shuffleTrue, num_workers4, pin_memoryTrue ) val_loader DataLoader( val_dataset, batch_size128, shuffleFalse, num_workers4, pin_memoryTrue )shuffleTrue用于训练集防止模型学到样本顺序验证集不需要 shuffle因为最终要统计混淆矩阵时顺序无关紧要。num_workers一般设置为 CPU 核心数的一半或直接用 4太小会让数据加载成为瓶颈太大则进程切换开销抵消收益。如果训练在 GPU 上进行pin_memoryTrue会把数据放进锁页内存减少 CPU 到 GPU 的拷贝时间。batch size 从 64 到 256 都试过FER2013 这类 48x48 小图用 128 是个比较平衡的值。3. 卷积神经网络架构设计用 PyTorch 写出适配表情识别的最小模型3.1 卷积层数量与特征图尺寸变化对于 48x48 输入三组卷积块已经足够。每组包含两个 3x3 卷积和一个 2x2 最大池化通道数从 32 上升到 128。这样的设计参照了简化的 VGG 思路小卷积核叠加能获得与大卷积核相当的感受野同时参数更少。经过三次池化后空间尺寸从 48 变为 24、12、6最后一层特征图的尺寸是 6x6。可以用下面这张表快速确认每一层输出形状层级操作输出尺寸C x H x W输入-1 x 48 x 48Block1Conv3x3, 32 BN ReLU32 x 48 x 48Block1Conv3x3, 32 BN ReLU32 x 48 x 48Block1MaxPool2d32 x 24 x 24Block2Conv3x3, 64 BN ReLU64 x 24 x 24Block2Conv3x3, 64 BN ReLU64 x 24 x 24Block2MaxPool2d64 x 12 x 12Block3Conv3x3, 128 BN ReLU128 x 12 x 12Block3Conv3x3, 128 BN ReLU128 x 12 x 12Block3MaxPool2d128 x 6 x 6到这里全连接层输入维度就是128 * 6 * 6 4608。这个尺寸直接决定后续 Linear 层的参数个数如果改成 5x5 或 4x4Linear 输入维度要同步调整。3.2 完整 CNN 模型代码与参数说明下面是一个可直接用在 FER2013 上的模型定义import torch.nn as nn class FaceExprCNN(nn.Module): def __init__(self, num_classes7): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 32, kernel_size3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.Conv2d(32, 32, kernel_size3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2, 2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.Conv2d(64, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2, 2), nn.Conv2d(64, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.Conv2d(128, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.MaxPool2d(2, 2) ) self.classifier nn.Sequential( nn.Flatten(), nn.Dropout(0.5), nn.Linear(128 * 6 * 6, 256), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(256, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return xConv2d 的参数kernel_size3配合padding1能保持特征图尺寸不变MaxPool2d(2, 2)将宽高减半。BatchNorm2d 放在卷积和 ReLU 之间可以加速收敛并减弱对初始学习率的敏感度。inplaceTrue节省显存但使用时要确认没有把需要反向传播的输入覆盖掉。Dropout只加在全连接部分卷积层本身有 BatchNorm 和参数共享的约束已经具备一定正则化能力。3.3 激活函数与参数初始化策略激活函数这里选择 ReLU原因是计算简单且能缓解梯度消失。表情识别任务中若用 Sigmoid 或 Tanh 作为卷积层激活深层网络的反向梯度衰减得很快。如果想让准确率再涨一点可以把第一层 ReLU 换成 LeakyReLU负斜率设为 0.01代码改动很小nn.LeakyReLU(negative_slope0.01, inplaceTrue)PyTorch 里nn.Conv2d默认使用 Kaiming 均匀初始化这对 ReLU 系激活函数是友好的正常情况下不需要额外写初始化逻辑。如果你自定义初始化一个常见做法是def init_weights(m): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, modefan_out, nonlinearityrelu) if m.bias is not None: nn.init.zeros_(m.bias) model.apply(init_weights)fan_out模式更关注输出通道数量在反向传播时能保持梯度方差稳定。4. 训练与优化让 Pytorch 上的表情识别模型稳定收敛4.1 损失函数、优化器与学习率策略表情识别是单标签多分类最常用的是CrossEntropyLoss。它内部已经包含LogSoftmax和NLLLoss所以模型最后一层不需要额外加 softmax直接输出 logits 即可。优化器我会优先选 AdamW它对权重衰减的处理比经典 Adam 更干净配合weight_decay1e-4能明显减少过拟合。学习率方面先从 1e-3 开始跑 5 个 epoch观察验证集 loss。如果波动大就降到 3e-4。也可以用CosineAnnealingLR让学习率周期性下降避免后期在局部最优附近震荡。import torch.optim as optim criterion nn.CrossEntropyLoss() optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max30)T_max30表示余弦周期为 30 个 epoch学习率会从初始值逐渐降到接近 0。训练轮数一般设在 40 到 60FER2013 在 40 轮后准确率提升会变慢。4.2 训练与验证循环的标准模板import torch device torch.device(cuda if torch.cuda.is_available() else cpu) model FaceExprCNN(num_classes7).to(device) def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss, correct, total 0, 0, 0 for images, labels in loader: 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) correct (outputs.argmax(1) labels).sum().item() total images.size(0) return total_loss / total, correct / total def validate(model, loader, criterion, device): model.eval() total_loss, correct, total 0, 0, 0 with torch.no_grad(): for images, labels in loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) total_loss loss.item() * images.size(0) correct (outputs.argmax(1) labels).sum().item() total images.size(0) return total_loss / total, correct / totalmodel.train()和model.eval()决定 Dropout 和 BatchNorm 的行为训练时 Dropout 生效并使用批统计量验证时 Dropout 关闭、BatchNorm 使用移动平均。torch.no_grad()关闭梯度跟踪减少显存占用并加速验证。outputs.argmax(1)找到每个样本预测的类别索引和labels比较后统计正确数。4.3 过拟合、类别不均衡与早停判断训练中你会看到训练准确率不断上升验证准确率停在某处甚至下降这就是过拟合。FER2013 的 disgust 类别样本特别少模型容易把这类图片全部归为 anger。解决办法有几个一是给CrossEntropyLoss设置权重class_weight逆频率分配二是用 Focal Loss 替换让模型更关注难分类样本三是简单地对 minority 类做重复采样。早停的一种实现是记录验证集 loss连续 5 个 epoch 没有下降就保存当前模型并停止best_loss float(inf) patience 5 bad_epochs 0 for epoch in range(60): train_loss, train_acc train_one_epoch(...) val_loss, val_acc validate(...) if val_loss best_loss: best_loss val_loss torch.save(model.state_dict(), best_face_expr.pth) bad_epochs 0 else: bad_epochs 1 if bad_epochs patience: break scheduler.step()使用torch.save(model.state_dict(), ...)保存权重而不是整个模型因为加载时结构由代码定义权重文件更小也更灵活。scheduler.step()放在每个 epoch 结束时用于更新学习率。5. 从混淆矩阵到 TorchScript把表情识别模型用起来5.1 推理时保留 softmax 置信度模型训练完成后推理阶段需要从 logits 得到概率分布。可以用torch.softmax转换再取最大值作为最终预测model.load_state_dict(torch.load(best_face_expr.pth, map_locationdevice)) model.eval() with torch.no_grad(): logits model(image_tensor.unsqueeze(0).to(device)) prob torch.softmax(logits, dim1) confidence, pred torch.max(prob, dim1)image_tensor需要通过验证集相同的 transforms 处理归一化均值必须是 0.5否则输出置信度会偏移。如果confidence 0.6建议把结果标记为“不确定”这比硬给一个错误表情更合适。5.2 用混淆矩阵定位模型盲点验证集准确率只是一个数字真正决定模型能不能上线的是错在哪里。做法是先收集所有预测结果和真实标签再用 sklearn 的confusion_matrix生成矩阵from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay y_true, y_pred [], [] model.eval() with torch.no_grad(): for images, labels in val_loader: images images.to(device) outputs model(images) preds outputs.argmax(1).cpu().numpy() y_true.extend(labels.numpy()) y_pred.extend(preds) matrix confusion_matrix(y_true, y_pred, labelsrange(7))然后找到两个最容易混淆的类别比如 fear 和 surprise针对性收集更多样本或调整类别权重。表情识别项目做到这一步才算真正把深度学习训练闭环走完。5.3 导出 TorchScript 模型用于服务端推理如果要把模型嵌入 web 服务或移动端常用做法是导出为 TorchScript。这样不依赖 Python 端的模型类定义用 C 或 Java 侧库也能加载example_input torch.randn(1, 1, 48, 48).to(device) traced_model torch.jit.trace(model.cpu(), example_input.cpu()) torch.jit.save(traced_model, face_expr_traced.pt)需要先将模型切到 CPU 模式并调用model.eval()然后传一个固定 shape 的随机输入完成trace。模型里如果有数据相关的分支比如对 batch size 的判断torch.jit.script会更稳妥。导出完成后用torch.jit.load加载并对比一次输出确认与原始 PyTorch 模型结果一致。这些步骤做完你就可以把这个表情识别模型集成到实际的视频截图或实时摄像流处理管线里真正发挥 CNN 在视觉任务上的作用。本文还有配套的精品资源点击获取 从数据到部署：PyTorch卷积神经网络人脸表情识别实战
简介这是一个基于深度学习卷积神经网络的面部表情识别项目使用Pytorch实现适合作为毕业设计、课程设计或期末大作业。资源面向有一定Python基础、希望入门深度学习和图像分类的学生或开发者重点解决人脸表情多分类问题的完整落地流程包括数据处理、可视化与模型搭建。压缩包内共有2000个文件其中以1991张jpg人脸图像数据集为主另有6个Python源码文件、1个csv标签文件、1个说明txt整体大小约128.93MB结构清晰便于直接运行与二次开发。目前已超过1200人学习下载说明其实用性得到不少用户认可。通过完成该项目可以掌握CNN卷积神经网络的构建与训练方法熟悉Pytorch框架的基本操作并理解多分类任务与二分类的差异同时从加载图片、划分数据集到训练评估的完整代码路径也能帮助读者积累可迁移的深度学习工程经验达到举一反三的效果。1. 人脸表情识别为什么用 PyTorch 和卷积神经网络而不是调包人脸表情识别FER是一个标准的图像分类任务但它的难点不在“分类”本身而在数据。训练集通常是 48x48 的灰度图拍摄角度、光照、遮挡和人的主观表现都存在巨大差异同一个人的相同表情在不同图上可能差异很大。这种低分辨率、高噪声的数据让我见过不少团队把 ResNet 搬上来结果验证集准确率连 70% 都不到反而一套简单的三层卷积神经网络CNN能稳定跑到接近 72%。这也是我建议做这个项目时使用 PyTorch 的原因PyTorch 的动态图机制让你能随时打印中间层输出、调整卷积核数量调试多个 CNN 变体时比静态图框架顺得多配合官方预训练模型的生态一个专用于人脸表情识别的深度学习项目能在一台普通 GPU 上完成全部训练和验证。下面就从数据集预处理开始把整个流程拆成可复现的工程步骤。2. 数据集选择与预处理让人脸表情 CNN 吃到干净数据2.1 常用数据集对比从 FER2013、CK 到自建数据项目里最常见的数据集是 FER2013由 35887 张 48x48 灰度人脸照片组成表情分为 angry、disgust、fear、happy、sad、surprise、neutral 七类。另一个常用的是 CK它是连续序列帧适合做动态表情识别但静态图中样本较少JAFFE 是日本女性面部表情库样本量更小。选数据时我一般会先统计每个类别的样本数避免某个类只有几百张导致训练时被模型忽略。数据集样本量类别数灰度/彩色适用场景FER2013约 3.5 万7灰度 48x48单帧分类标准 benchmarkCK约 593 段序列7/8灰度时序表情识别需抽帧JAFFE213 张7灰度跨文化实验样本少自建数据集也不复杂把每类表情放进独立文件夹目录名不要带空格和中文torchvision.datasets.ImageFolder就能自动按目录生成标签。注意做人脸对齐只保留从眉毛到下巴的区域否则模型会把头发和背景当作特征验证集指标好看但真实场景一测就崩。2.2 用 torchvision.transforms 做归一化和数据增强用transforms做预处理时我通常会避免过强增强。表情识别的关键特征是五官的相对位置随机缩放太大会破坏眼睛和嘴巴的几何关系水平翻转是安全的随机旋转控制在 ±10° 以内更合理。FER2013 原始像素值范围是 0-255不归一化时第一层卷积的梯度容易溢出。以下是训练集和验证集常用的 transform 定义from torchvision import transforms train_transforms transforms.Compose([ transforms.Resize((48, 48)), transforms.RandomHorizontalFlip(p0.5), transforms.RandomRotation(10), transforms.ColorJitter(brightness0.1, contrast0.1), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ]) val_transforms transforms.Compose([ transforms.Resize((48, 48)), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ])ToTensor必须放在所有像素操作之后它会把 HWC 的 PIL 图像转成 CHW 的 tensor并把数值从 [0,255] 缩放到 [0,1]。Normalize(0.5, 0.5)是将每个通道按(x - 0.5) / 0.5映射到 [-1,1]对灰度图这里的 mean 和 std 直接写标量即可。验证集不做随机增强只做缩放和归一化保证评估结果稳定可复现。2.3 DataLoader 参数batch_size、num_workers 与 pin_memory数据处理流程确定后DataLoader的配置直接决定训练速度和内存占用。常见做法是from torch.utils.data import DataLoader train_loader DataLoader( train_dataset, batch_size128, shuffleTrue, num_workers4, pin_memoryTrue ) val_loader DataLoader( val_dataset, batch_size128, shuffleFalse, num_workers4, pin_memoryTrue )shuffleTrue用于训练集防止模型学到样本顺序验证集不需要 shuffle因为最终要统计混淆矩阵时顺序无关紧要。num_workers一般设置为 CPU 核心数的一半或直接用 4太小会让数据加载成为瓶颈太大则进程切换开销抵消收益。如果训练在 GPU 上进行pin_memoryTrue会把数据放进锁页内存减少 CPU 到 GPU 的拷贝时间。batch size 从 64 到 256 都试过FER2013 这类 48x48 小图用 128 是个比较平衡的值。3. 卷积神经网络架构设计用 PyTorch 写出适配表情识别的最小模型3.1 卷积层数量与特征图尺寸变化对于 48x48 输入三组卷积块已经足够。每组包含两个 3x3 卷积和一个 2x2 最大池化通道数从 32 上升到 128。这样的设计参照了简化的 VGG 思路小卷积核叠加能获得与大卷积核相当的感受野同时参数更少。经过三次池化后空间尺寸从 48 变为 24、12、6最后一层特征图的尺寸是 6x6。可以用下面这张表快速确认每一层输出形状层级操作输出尺寸C x H x W输入-1 x 48 x 48Block1Conv3x3, 32 BN ReLU32 x 48 x 48Block1Conv3x3, 32 BN ReLU32 x 48 x 48Block1MaxPool2d32 x 24 x 24Block2Conv3x3, 64 BN ReLU64 x 24 x 24Block2Conv3x3, 64 BN ReLU64 x 24 x 24Block2MaxPool2d64 x 12 x 12Block3Conv3x3, 128 BN ReLU128 x 12 x 12Block3Conv3x3, 128 BN ReLU128 x 12 x 12Block3MaxPool2d128 x 6 x 6到这里全连接层输入维度就是128 * 6 * 6 4608。这个尺寸直接决定后续 Linear 层的参数个数如果改成 5x5 或 4x4Linear 输入维度要同步调整。3.2 完整 CNN 模型代码与参数说明下面是一个可直接用在 FER2013 上的模型定义import torch.nn as nn class FaceExprCNN(nn.Module): def __init__(self, num_classes7): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 32, kernel_size3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.Conv2d(32, 32, kernel_size3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2, 2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.Conv2d(64, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2, 2), nn.Conv2d(64, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.Conv2d(128, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.MaxPool2d(2, 2) ) self.classifier nn.Sequential( nn.Flatten(), nn.Dropout(0.5), nn.Linear(128 * 6 * 6, 256), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(256, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return xConv2d 的参数kernel_size3配合padding1能保持特征图尺寸不变MaxPool2d(2, 2)将宽高减半。BatchNorm2d 放在卷积和 ReLU 之间可以加速收敛并减弱对初始学习率的敏感度。inplaceTrue节省显存但使用时要确认没有把需要反向传播的输入覆盖掉。Dropout只加在全连接部分卷积层本身有 BatchNorm 和参数共享的约束已经具备一定正则化能力。3.3 激活函数与参数初始化策略激活函数这里选择 ReLU原因是计算简单且能缓解梯度消失。表情识别任务中若用 Sigmoid 或 Tanh 作为卷积层激活深层网络的反向梯度衰减得很快。如果想让准确率再涨一点可以把第一层 ReLU 换成 LeakyReLU负斜率设为 0.01代码改动很小nn.LeakyReLU(negative_slope0.01, inplaceTrue)PyTorch 里nn.Conv2d默认使用 Kaiming 均匀初始化这对 ReLU 系激活函数是友好的正常情况下不需要额外写初始化逻辑。如果你自定义初始化一个常见做法是def init_weights(m): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, modefan_out, nonlinearityrelu) if m.bias is not None: nn.init.zeros_(m.bias) model.apply(init_weights)fan_out模式更关注输出通道数量在反向传播时能保持梯度方差稳定。4. 训练与优化让 Pytorch 上的表情识别模型稳定收敛4.1 损失函数、优化器与学习率策略表情识别是单标签多分类最常用的是CrossEntropyLoss。它内部已经包含LogSoftmax和NLLLoss所以模型最后一层不需要额外加 softmax直接输出 logits 即可。优化器我会优先选 AdamW它对权重衰减的处理比经典 Adam 更干净配合weight_decay1e-4能明显减少过拟合。学习率方面先从 1e-3 开始跑 5 个 epoch观察验证集 loss。如果波动大就降到 3e-4。也可以用CosineAnnealingLR让学习率周期性下降避免后期在局部最优附近震荡。import torch.optim as optim criterion nn.CrossEntropyLoss() optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max30)T_max30表示余弦周期为 30 个 epoch学习率会从初始值逐渐降到接近 0。训练轮数一般设在 40 到 60FER2013 在 40 轮后准确率提升会变慢。4.2 训练与验证循环的标准模板import torch device torch.device(cuda if torch.cuda.is_available() else cpu) model FaceExprCNN(num_classes7).to(device) def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss, correct, total 0, 0, 0 for images, labels in loader: 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) correct (outputs.argmax(1) labels).sum().item() total images.size(0) return total_loss / total, correct / total def validate(model, loader, criterion, device): model.eval() total_loss, correct, total 0, 0, 0 with torch.no_grad(): for images, labels in loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) total_loss loss.item() * images.size(0) correct (outputs.argmax(1) labels).sum().item() total images.size(0) return total_loss / total, correct / totalmodel.train()和model.eval()决定 Dropout 和 BatchNorm 的行为训练时 Dropout 生效并使用批统计量验证时 Dropout 关闭、BatchNorm 使用移动平均。torch.no_grad()关闭梯度跟踪减少显存占用并加速验证。outputs.argmax(1)找到每个样本预测的类别索引和labels比较后统计正确数。4.3 过拟合、类别不均衡与早停判断训练中你会看到训练准确率不断上升验证准确率停在某处甚至下降这就是过拟合。FER2013 的 disgust 类别样本特别少模型容易把这类图片全部归为 anger。解决办法有几个一是给CrossEntropyLoss设置权重class_weight逆频率分配二是用 Focal Loss 替换让模型更关注难分类样本三是简单地对 minority 类做重复采样。早停的一种实现是记录验证集 loss连续 5 个 epoch 没有下降就保存当前模型并停止best_loss float(inf) patience 5 bad_epochs 0 for epoch in range(60): train_loss, train_acc train_one_epoch(...) val_loss, val_acc validate(...) if val_loss best_loss: best_loss val_loss torch.save(model.state_dict(), best_face_expr.pth) bad_epochs 0 else: bad_epochs 1 if bad_epochs patience: break scheduler.step()使用torch.save(model.state_dict(), ...)保存权重而不是整个模型因为加载时结构由代码定义权重文件更小也更灵活。scheduler.step()放在每个 epoch 结束时用于更新学习率。5. 从混淆矩阵到 TorchScript把表情识别模型用起来5.1 推理时保留 softmax 置信度模型训练完成后推理阶段需要从 logits 得到概率分布。可以用torch.softmax转换再取最大值作为最终预测model.load_state_dict(torch.load(best_face_expr.pth, map_locationdevice)) model.eval() with torch.no_grad(): logits model(image_tensor.unsqueeze(0).to(device)) prob torch.softmax(logits, dim1) confidence, pred torch.max(prob, dim1)image_tensor需要通过验证集相同的 transforms 处理归一化均值必须是 0.5否则输出置信度会偏移。如果confidence 0.6建议把结果标记为“不确定”这比硬给一个错误表情更合适。5.2 用混淆矩阵定位模型盲点验证集准确率只是一个数字真正决定模型能不能上线的是错在哪里。做法是先收集所有预测结果和真实标签再用 sklearn 的confusion_matrix生成矩阵from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay y_true, y_pred [], [] model.eval() with torch.no_grad(): for images, labels in val_loader: images images.to(device) outputs model(images) preds outputs.argmax(1).cpu().numpy() y_true.extend(labels.numpy()) y_pred.extend(preds) matrix confusion_matrix(y_true, y_pred, labelsrange(7))然后找到两个最容易混淆的类别比如 fear 和 surprise针对性收集更多样本或调整类别权重。表情识别项目做到这一步才算真正把深度学习训练闭环走完。5.3 导出 TorchScript 模型用于服务端推理如果要把模型嵌入 web 服务或移动端常用做法是导出为 TorchScript。这样不依赖 Python 端的模型类定义用 C 或 Java 侧库也能加载example_input torch.randn(1, 1, 48, 48).to(device) traced_model torch.jit.trace(model.cpu(), example_input.cpu()) torch.jit.save(traced_model, face_expr_traced.pt)需要先将模型切到 CPU 模式并调用model.eval()然后传一个固定 shape 的随机输入完成trace。模型里如果有数据相关的分支比如对 batch size 的判断torch.jit.script会更稳妥。导出完成后用torch.jit.load加载并对比一次输出确认与原始 PyTorch 模型结果一致。这些步骤做完你就可以把这个表情识别模型集成到实际的视频截图或实时摄像流处理管线里真正发挥 CNN 在视觉任务上的作用。本文还有配套的精品资源点击获取