企业官网建设流程全解析

简介：一套基于卷积神经网络（CNN）的人脸表情识别Python期末大作业源码，面向计算机专业学生、课程设计者及深度学习入门者，解决人脸表情识别从数据处理、模型训练到实际识别的完整工程参考问题。这套源码曾获导师认可，评审得分98分，并在本地编译调试通过，具备可运行性。压缩包共23个文件，以10个Python脚本为核心，覆盖数据读取、模型构建、训练、图片识别和摄像头实时识别等模块，另含TensorFlow模型与数据文件、示例图片、可视化网页展示和说明文档，整体大小约19兆字节。已有51人学习下载。通过该项目，学习者可掌握卷积神经网络原理、人脸特征提取与表情分类的代码实现，同时了解数据预处理、模型调参与结果展示的完整流程；利用示例图片可快速验证效果，结合摄像头模块还能体验实时识别，适合将其改造为课程设计或期末项目。

1. 基于 CNN 的人脸表情识别是什么作业：先认清它的四个组件

一份“基于 CNN 的人脸表情识别系统的期末大作业源码”，说白了就是用 Python 把深度学习里最经典的一条图像分类链路完整跑通：从摄像头或图片里框出人脸，把这块人脸区域交给卷积神经网络，让它输出“生气、厌恶、恐惧、开心、中性、悲伤、惊讶”这七类表情中的一种。难的不是模型本身，而是四个组件缺一不可：人脸检测、人脸预处理、CNN 分类、结果可视化，任何一个环节掉链子，现场演示都会翻车。这套作业适合两类人：正在做课程设计或毕业设计、需要一份能跑能讲能写进报告的项目的人；想快速验证 CNN 完整图像分类流程的开发者——它比猫狗分类多了一道“先找脸再分类”的步骤，练完你对怎么组织图像项目会有非常具体的体感。先把一句话放在这：模型不是越复杂越好。

2. 方案选型：为什么期末大作业的稳妥组合是 Haar 检测 + 自搭 CNN

2.1 系统的完整链路：从摄像头画面到七种表情标签

答辩时老师问得最多的一句话是“你的系统入口在哪”。你要能脱口而出完整链路：用 cv2 读取摄像头或图片 → 转灰度 → 用 OpenCV 自带的 Haar 级联检测器框出人脸 → 把人脸区域裁剪、缩放到 48×48 → 像素归一化到 0 到 1 → 送入 CNN → softmax 得到七个类别的概率 → 取最大值的下标对应到表情名称，最后把检测框、标签和置信度画在画面上。

很多人第一版代码直接跳过人脸检测，对整帧画面做分类，结果验证准确率惨不忍睹。原因很直观：CNN 在 48×48 的输入上学到的是人脸局部纹理，你把背景、头发、衣领全塞进去，等于给分类器加噪声。所以检测这一步不是可选项，它决定了后面 CNN 的输入分布稳不稳定。为什么先转灰度？Haar 检测器本身工作在灰度图上，FER2013 数据集也全是灰度图，整条链路里彩色信息是多余的。转灰度不是损失，而是让预处理与数据集保持一致，减少训练和推理时的分布漂移。

2.2 人脸检测器选型：Haar、Dlib、MTCNN 怎么选

常见的候选有三个：OpenCV 自带的 Haar Cascade、Dlib 的 HOG + 68 点、MTCNN。对期末作业这个场景，我直接给一张对比表：

大部分期末作业选 Haar 打底就够了。它不需要在没网的环境里临时下载额外权重，opencv-python 安装包里自带 haarcascade_frontalface_default.xml，这对演示现场是巨大优势。环境准备也简单：先在 VSCode 里把 Python 解释器选到项目虚拟环境，然后 pip install opencv-python numpy pandas matplotlib tensorflow，如果只缺 cv2，单独敲一句 pip install opencv-python 很快就能装好。这里想提醒一句：环境配置时最好在项目目录下建虚拟环境，别把包装进系统全局，否则换到教室电脑上演示，一运行就报缺包，场面非常尴尬。

Dlib 作为加分项，价值在于“人脸对齐”：用 68 个关键点把眼睛拉平、人脸摆正再做裁剪。对齐后的输入能让 CNN 在侧脸角度下也稳定，但代价是项目多出十几行坐标计算代码和一份权重文件。如果报告篇幅够，我一般建议只写在“不足与改进”里，写一句“引入关键点对齐可缓解侧脸误判”，不用真做。

2.3 分类网络选型：自搭 CNN 还是迁移学习

分类器这条路上也有分歧：自搭小型 CNN、微调 VGG16/ResNet50、用 MobileNet 轻量网络。我的建议很明确：自搭一个几十万参数的小 CNN 作为主方案，迁移学习可以作为对比实验写进报告，但别拿来当主模型。原因有三：第一，作业标题写的是基于 CNN，你搭的每一层都要能讲出为什么这么设；第二，预训练权重动辄上百兆，微调几轮也要等很久，在普通笔记本上体验很差；第三，答辩时老师更可能问“你这网络和 VGG 比差在哪”，而不是“你用 VGG 达到多少准确率”。

自搭网络也不代表随便堆卷积。48×48 输入本身分辨率低，三层卷积堆完后特征图已经非常小，没必要再加深。参数量控制在百万以内、单 epoch 训练在十秒级别，才是期末作业该有的手感。另外不用纠结为什么不用 RNN：表情识别处理的是单张静态图，像素之间有局部空间关系，卷积天然匹配这种结构；RNN 擅长时序依赖，把单帧图像硬塞进去反而把简单问题复杂化了。

2.4 对“期末大作业源码”的态度：整包搬运的风险

最后泼一盆冷水。期末大作业里“源码”两个字最诱人，也最容易翻车。直接拿一份整包源码改个文件名就交，风险全在答辩环节：老师随口一句“你的 Conv2D 参数怎么定的”“为什么最后是 7 个神经元”，背不下来就尬在台上。更实际的问题是，整包源码往往带着原作者的目录结构、训练日志和绝对路径，你改不动，想加一张测试图都要小心翼翼。

我一般建议把别人的源码当“参考答案”，自己动手把三个模块写出来：数据读取、模型搭建、实时推理。代码量加起来不到两百行，却是你答辩时敢跟老师对视的底气。很多同学问源码里为什么有那么多多余文件，其实那是作者训练时留下的缓存和日志；自己重建项目时，只要维护好数据、模型、主脚本三个模块就够了。

3. FER2013 数据集准备：CSV 解析、目录落盘与数据增强

3.1 为什么选 FER2013 而不是自己爬图

做表情识别绕不开数据集。常见做法是直接用 FER2013——一个被大量论文引用的标准人脸表情数据集：48×48 灰度图，七类标签，带官方划分好的训练、验证、测试集。选它的理由很实际：样本量对课程作业刚合适，约三万五千张，整个文件就是一个 CSV，不用多人协作下载；标签已经分好，不用写爬虫和清洗脚本；网上可参考的结果多，你做到什么水平心里有数。

自己爬图听上去更“原创”，但坑全在数据侧：抓下来的图有漫画、有侧脸、有人脸占比过小的远景，标注质量没法保证。期末作业时间有限，把精力花在清洗图片上，不如站在一个标准数据集上把完整流程吃透。报告里一句“选用学术界广泛使用的 FER2013，便于与已有工作对比”就交代得很体面。

拿到 CSV 后第一件事是确认列结构。标准 FER2013 有三个字段：emotion，0 到 6 的整数标签；pixels，一串用空格隔开的 0~255 灰度值；Usage，标记每行数据属于 Training、PublicTest 还是 PrivateTest。Usage 是官方划分：Training 当训练集，PublicTest 当验证集，PrivateTest 当测试集。

3.2 解析 CSV 并画出第一批样本

代码实现的第一步，是把 CSV 转成能看的图片。

import pandas as pd import numpy as np import matplotlib.pyplot as plt df = pd.read_csv("fer2013.csv") # 标签顺序全局固定，后面所有地方都用这一份 emotion_names = ["anger", "disgust", "fear", "happiness", "neutral", "sadness", "surprise"] def pixels_to_image(row: pd.Series) -> np.ndarray: pixels = np.array(row["pixels"].split(), dtype=np.float32) return pixels.reshape(48, 48) # 每个类别挑一张图拼成画布，先人工确认数据没坏 fig, axes = plt.subplots(2, 4, figsize=(10, 5)) for i, ax in enumerate(axes.flat): sample = df[df["emotion"] == i % 7].iloc[i // 7] ax.imshow(pixels_to_image(sample), cmap="gray") ax.set_title(emotion_names[sample["emotion"]]) ax.axis("off") plt.show() print(df["Usage"].value_counts())

这段代码里有两个细节值得说。pixels 字段是字符串，必须先按空格 split 再转 float32；转成 float32 而不是 int，是因为后面归一化要除以 255，如果用整型相除，结果会全部变成 0，整个数据集等于废了。reshape 的顺序是从左到右、从上到下，顺序反了画面会变成斜条纹，这也是最容易识别的数据损坏特征。

画图前先用 value_counts 看一眼三个子集的样本分布。如果 Training、PublicTest、PrivateTest 的比例大约在 8:1:1，说明文件结构正常。如果你拿到的版本只有两列、没有 Usage，就要自己按比例切分，这时务必先用固定随机种子，保证每次运行切分结果一致，否则模型结果复现不了，报告里写的数字就对不上。

3.3 按目录结构落盘：让 Keras 的 ImageDataGenerator 直接读取

图像分类项目最常见的组织方式，是按类别文件夹分层存放：train 目录下建 0 到 6 七个文件夹，每个文件夹放对应类别的 jpg。Keras 的 ImageDataGenerator.flow_from_directory 天然认识这种结构，训练代码可以省掉一大堆自己写数据集的样板代码。

import os import cv2 SPLITS = { "train": "Training", "val": "PublicTest", "test": "PrivateTest", } BASE = "fer2013_images" for split_name, usage in SPLITS.items(): sub = df[df["Usage"] == usage] for emotion_id in range(7): out_dir = os.path.join(BASE, split_name, str(emotion_id)) os.makedirs(out_dir, exist_ok=True) for idx, row in sub.iterrows(): img = pixels_to_image(row) # FER2013 是单通道灰度图，统一转成三通道 jpg 再存 img_rgb = cv2.cvtColor(img.astype(np.uint8), cv2.COLOR_GRAY2BGR) out_path = os.path.join( BASE, split_name, str(row["emotion"]), f"{row.name:05d}.jpg" ) ok = cv2.imwrite(out_path, img_rgb) if not ok: print("写入失败:", out_path) break

这里“统一存成三通道”是故意的。FER2013 原始像素是单通道，但很多现成模型代码默认输入是三通道 BGR。与其在训练代码里写“单通道就重复三次”这种分支，不如在数据准备阶段一次性统一成三通道，训练和推理代码都少一个判断。代价是磁盘上多两倍冗余，对一两万张小图无关痛痒。

写入失败的那行检查不是摆设。cv2.imwrite 在遇到中文路径或目标目录不存在时会静默返回 False，而不是抛异常；等训练时报找不到文件再排查，就多绕了一大圈。在这里打印出来，是成本最低的及时反馈。

3.4 数据增强：让期末小模型多学几个变化

FER2013 的训练集不到三万张，对一个百万参数级别的 CNN 来说属于“偏少且容易过拟合”的范畴。数据增强是解决这个问题最直接的手段，Keras 里几行配置就能搞定：

from tensorflow.keras.preprocessing.image import ImageDataGenerator train_gen = ImageDataGenerator( rescale=1.0 / 255.0, rotation_range=10, width_shift_range=0.1, height_shift_range=0.1, zoom_range=0.1, horizontal_flip=True, ) valid_gen = ImageDataGenerator(rescale=1.0 / 255.0)

参数为什么这么取，要能说出理由。rotation_range=10 表示随机旋转正负 10 度，作业里的合理范围是 5 到 15 度——转多了人脸姿态就失真，CNN 学到的会变成“旋转不变性”而不是“表情不变性”。width_shift_range 和 height_shift_range 控制平移比例，0.1 表示平移幅度不超过原图宽高的 10%，这恰好模拟了 Haar 检测框轻微抖动的效果。zoom_range=0.1 模拟远近变化。horizontal_flip=True 对人脸是安全的——表情不因左右翻转改变语义，这是最划算的一项增强。

我建议不要把 brightness_range 也打开。FER2013 本身是实验室条件下的人脸灰度图，亮度分布相对统一；在灰度图上强行叠加亮度扰动，等于给网络引入跟任务无关的噪声，训练损失可能降得更慢，而且答辩时这个选择不好圆。增强参数多不等于效果好，每加一项要能说清“它模拟了真实场景里的什么变化”。

3.5 验证集和测试集要不要做增强

这个问题答辩时几乎必问。答案是不做，只做 rescale。验证集的作用是估计模型在没见过的数据上的表现，如果对验证集也做平移翻转，验证损失反映的就不是真实泛化能力，而是模型对增强数据的适应能力。测试集更严格，它模拟最终部署环境，任何统计意义上的扩充都会让测试分数虚高。所以 valid_gen 只有 rescale，flow_from_directory 的 shuffle 在验证集上也要设成 False，保证每次评估的都是同一批图片，结果才有可比性。

4. 搭 CNN 与训练调参：模型结构、关键超参与评估指标

4.1 一个参数少、能跑进 65% 以上的卷积神经网络结构

很多人第一次搭卷积神经网络，喜欢照搬 VGG16 的思路：连续四五个卷积、每层 512 个滤波器。在 48×48 的输入上这么干，参数量直接上千万，训练一个 epoch 要等好几分钟，最终效果还不一定好——因为数据量撑不起这么大的模型容量。我给的参考结构是三层卷积的轻量网络：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import ( Conv2D, BatchNormalization, MaxPooling2D, Dropout, GlobalAveragePooling2D, Dense ) def build_model(input_shape=(48, 48, 3), num_classes=7): model = Sequential([ Conv2D(32, (3, 3), padding="same", activation="relu", input_shape=input_shape), BatchNormalization(), Conv2D(64, (3, 3), padding="same", activation="relu"), BatchNormalization(), MaxPooling2D((2, 2)), Dropout(0.25), Conv2D(128, (3, 3), padding="same", activation="relu"), BatchNormalization(), MaxPooling2D((2, 2)), Dropout(0.25), GlobalAveragePooling2D(), Dense(128, activation="relu"), Dropout(0.5), Dense(num_classes, activation="softmax"), ]) return model model = build_model() model.summary()

结构不新奇，但每一层都能讲出理由。两个卷积再接池化，是为了先扩大感受野再压缩尺寸：第一个卷积提取边缘、纹理这类低级特征，第二个卷积在低级特征上组合出眼睛、嘴巴这类局部模式，池化把 48×48 变成 24×24，既降低计算量又提供平移鲁棒性。每个卷积后接 BatchNormalization，能让中间特征分布更稳定、收敛更快，这在数据量偏小的作业里能明显减少调学习率的痛苦。

输出层之前用 GlobalAveragePooling2D 而不是 Flatten，这是一个答辩加分点：Flatten 会把最后一层特征图的每个位置都展开成全连接输入，参数多、容易过拟合；全局平均池化是对每张特征图求均值，直接把三维特征图压成一维，参数骤减，而且强迫网络在整张特征图上做判断，对小目标的位移不那么敏感。老师问“为什么不加全连接层”，答案就是：用全局平均池化替代第一层全连接，是保留全局信息同时控制参数量的常用做法。

4.2 训练参数：optimizer、batch size、epoch 与回调函数

模型搭好后，训练配置决定你能否在午睡时间内把结果调出来。

from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import ( ModelCheckpoint, ReduceLROnPlateau, EarlyStopping ) model.compile( optimizer=Adam(learning_rate=1e-3), loss="categorical_crossentropy", metrics=["accuracy"], ) callbacks = [ ModelCheckpoint("best_model.keras", monitor="val_accuracy", save_best_only=True), ReduceLROnPlateau(monitor="val_loss", factor=0.5, patience=3, min_lr=1e-5), EarlyStopping(monitor="val_loss", patience=5, restore_best_weights=True), ] history = model.fit( train_gen, validation_data=valid_gen, epochs=30, callbacks=callbacks, )

optimizer 选 Adam 而不是 SGD 的理由是鲁棒：学习率 1e-3 是 Adam 在多数图像小任务上的甜点，它带自适应学习率，几乎不需要手动安排学习率下降节点。loss 用 categorical_crossentropy，要求标签是 one-hot 编码，flow_from_directory 的 class_mode="categorical" 会处理好这一步，不用手写循环。如果你的 Keras 版本较新，模型保存格式写成 best_model.keras，老版本改成 best_model.h5 即可，逻辑不变。

回调函数做了三件重要的事。ModelCheckpoint 只在验证准确率变好时覆盖保存，保证最后拿到的模型是历史最优而不是最后一轮——训练后期验证指标经常回摆，没有这个回调，你保存的可能是一个退步的权重。ReduceLROnPlateau 在验证损失连续 3 个 epoch 不降时把学习率砍半，这是最省心的学习率策略。EarlyStopping 连续 5 轮没改进就停，避免晚上睡觉忘记盯训练、第二天早上发现已经过拟合到没法看。batch size 64 在 48×48 小图上是稳妥值，显存占用小，收敛也稳。epoch 设 30 只是初始值，实际以 EarlyStopping 触发为准。

4.3 训练曲线与预期：FER2013 上什么成绩算正常

训练完第一件事是画曲线，这也是报告里必须出现的一张图。

import matplotlib.pyplot as plt plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history["accuracy"], label="train_acc") plt.plot(history.history["val_accuracy"], label="val_acc") plt.title("Accuracy") plt.legend() plt.subplot(1, 2, 2) plt.plot(history.history["loss"], label="train_loss") plt.plot(history.history["val_loss"], label="val_loss") plt.title("Loss") plt.legend() plt.show()

看到曲线后要有一个合理预期。FER2013 这个数据集标注噪声不小——众包标注时很多图是侧脸、遮挡甚至标签本身存疑，人肉区分也只有 65% 左右的水平。在这种背景下，验证准确率 60% 出头算合格，65% 以上是能写进报告的较好结果，想再往 70% 以上推，需要更复杂的模型和更长的训练时间，投入产出比会骤降。期末大作业真正该参考的标尺不是论文，而是“比随机分类的 14% 高出一大截、训练过程稳定可复现”。

注意：报告里写准确率时，务必注明是训练集、验证集还是测试集上的值。三者之间正常的落点是训练集比验证集高几个百分点，验证集和测试集接近。如果训练集 95%、验证集 60%，那是典型过拟合，优先检查 Dropout 是否生效、增强是否太弱。

4.4 评估不只看准确率：混淆矩阵与逐类召回率

准确率会把很多问题盖住。期末验收时老师常问“哪类表情最容易错”，准确率答不了这个问题。用 sklearn 跑一份逐类报告和混淆矩阵：

from sklearn.metrics import classification_report, confusion_matrix import numpy as np # test_gen 对应 3.3 写好的 PrivateTest 目录 y_true = test_gen.classes y_pred = model.predict(test_gen).argmax(axis=1) print(classification_report(y_true, y_pred, target_names=emotion_names)) cm = confusion_matrix(y_true, y_pred) print(cm)

对照真实标签和预测结果，你会发现厌恶（disgust）的召回率常年垫底，恐惧和惊讶互相混——这不是模型写得不对，而是数据本身就这么分布的：disgust 训练样本只有几百张，fear 与 surprise 在灰度小图上视觉区分度非常低。把这张混淆矩阵放进报告，比单凭一个 65% 准确率有说服力得多。如果想让各类更均衡，可以在 fit 里加 class_weight，按样本数的倒数给少样本类加权，但要有心理准备：整体准确率可能不升反降，因为它牺牲了多数类的把握来换少数类的召回，报告里写清楚取舍就行。

4.5 对比实验：让报告从“能跑”变成“有结论”

学有余力时，给项目加一组微型对比实验，报告会好看一个档次。常见做法是固定模型结构，只改一个变量：一组用完整增强，另一组关掉增强；或者一组用 ReLU，另一组换 LeakyReLU。每组训到早停，记录验证准确率和模型大小，做成一个三行五列的表格放进报告。

比如列可以是“配置 / 验证准确率 / 测试准确率 / 主要结论”，行放“基准 + 增强”“基准 − 增强”“基准 + LeakyReLU”。注意每组实验都要真实跑出来再填数，不要编造。你会发现一个现象：去掉增强后训练集准确率反而更高，但验证集落下来，这个结论恰好支撑报告里写“数据增强是本任务中抑制过拟合的关键手段”。一份源码加一个能讲出因果的实验，比多堆十层卷积更让老师信服。

5. 期末作业常见排查：从训练翻车到答辩演示的五个教训

这一章把我在帮人调这类作业时见过最多的问题集中列出来，按现象、原因、解决三步走，每一条都是一段实际调试经验。

5.1 损失一直在降，验证准确率却卡在 50% 附近

现象：训练集 loss 一路下滑到 0.2 以下，训练准确率逼近 95%，验证准确率始终在 50% 上下波动，偶尔还往下掉。原因：模型容量对 FER2013 来说偏大，加上训练轮次过多，网络开始背题，把训练集里的噪声细节一起记住了，没学到泛化的表情模式。解决：回模型结构上做三件事——确认卷积输出接的是 GlobalAveragePooling2D 而不是 Flatten；把最后那个 Dense(128) 暂时去掉，看验证集是否反弹；把 Dropout 比例从 0.25 提到 0.5。增强参数也可以适当加大 rotation_range 到 12、width_shift_range 到 0.15，但每次只改一个变量。如果验证集在 50% 上下发生在第 3 轮以内，先不用管，可能是没收敛；真正要警惕的是“训练集一路涨、验证集十轮不涨”的剪刀差。把训练过程当成黑匣子看没有意义，曲线才是第一现场。

5.2 cv2.imread 读不出来，返回 None，图片明明存在

现象：cv2.imread 某张 jpg 返回 None，用 os.path.exists 检查文件又确实存在，Windows 上最常见，换到 Linux 上同样的代码又正常。原因：OpenCV 的 imread 底层走的是 C++ 文件接口，对中文路径和中文文件名支持很差；很多同学的项目放在“桌面\期末大作业”这种目录下，路径里带中文，cv2 直接罢工。解决：不要用 cv2.imread，改用 imdecode 从字节流解码，写一个通用函数：

import numpy as np import cv2 def imread_unicode(path: str): data = np.fromfile(path, dtype=np.uint8) if data.size == 0: return None return cv2.imdecode(data, cv2.IMREAD_COLOR)

这个函数替代 cv2.imread 后，中文路径问题基本绝迹。更省心的办法是项目一开始就约定所有目录和文件用英文命名，但交作业的电脑上总有人用“新建文件夹 (2)”这类目录，所以这份兼容函数建议直接放进工具模块里，训练和推理共用。

5.3 摄像头实时识别卡到只有几帧每秒

现象：本地测试训练和单张图识别都正常，一打开摄像头就卡成 PPT，画面延迟明显。原因：Haar 检测不慢，慢的是“每一帧都送进 CNN 推理”。如果不信，可以在画面角落画一个实时 FPS 数值，低于 8 基本就是推理频率过高。解决：跳帧策略，不需要每帧都跑模型。

frame_skip = 3 frame_count = 0 while True: ok, frame = cap.read() if not ok: break frame_count += 1 if frame_count % frame_skip != 0: continue # 只有这里才做检测和分类 boxes = detector.detectMultiScale(gray, ...)

把 frame_skip 设成 3 或 5，换来每秒两到三次的识别更新，演示时画面依然是流畅的——表情本来就不是高频变化。另一个常用手段是先把摄像头分辨率降到 640×480，Haar 在小图上检测也快很多。加一个跳帧注释，答辩时还能顺势讲出“我考虑了实时性约束”，这是加分点。

5.4 恐惧、厌恶几乎永远预测不对

现象：混淆矩阵里恐惧和惊讶互相混、厌恶的召回率只有个位数，其余五类还算正常。原因：FER2013 里 disgust 样本只有几百张，占总量的百分之二三，CNN 在这种严重不均衡的分布下，会把不确定的样本全部押到多数类；恐惧和惊讶在 48×48 灰度图上边缘纹理接近，人也不太好分。解决：先别急着改模型。把混淆矩阵放进报告，说明这是数据集本身的类别分布问题，比硬调参更有说服力。如果真想动手，给 fit 加 class_weight 是最均衡的方案：

from sklearn.utils.class_weight import compute_class_weight class_weight = compute_class_weight( class_weight="balanced", classes=np.array([0, 1, 2, 3, 4, 5, 6]), y=train_gen.classes, ) class_weight = dict(enumerate(class_weight))

加了之后观察 disgust 的召回率是否上升、整体准确率是否下滑，把这个反向趋势写进报告作为实验分析，老师不会认为这是失败，反而觉得你做了真实的权衡。

5.5 临时换一台电脑演示，模型跑不起来

现象：答辩前把项目拷到教室电脑上，双击运行直接报错，或者模型加载失败。原因：最常见两类——依赖没装齐，模型文件路径写死在你的绝对路径里。换一台机器，pip list 里没有你的 tensorflow 和 opencv；你写的是 /Users/xxx/Desktop/project/best_model.keras，换电脑必崩。解决：项目根目录放一个 requirements.txt，把关键依赖写全；代码里所有权重路径改成相对路径，并加一段启动检查：

import os from pathlib import Path BASE_DIR = Path(__file__).resolve().parent.parent MODEL_PATH = BASE_DIR / "models" / "best_model.keras" if not MODEL_PATH.exists(): raise FileNotFoundError( "模型文件不存在，请先训练或从项目根目录运行" )

演示前留出十分钟做完整冷启动：删掉pycache，在项目根目录用 python main.py 从零跑一遍。能在干净环境下跑通，才算真正交付。

6. 把模型变成能演示的作业：实时推理、GUI 壳与报告组织

6.1 摄像头实时识别：用跳帧和置信度条撑起演示

训练出的模型最终要落实成“系统”，实时推理代码是演示主角。至少要有三样东西同时显示在画面上：检测框、表情标签、置信度条。置信度条默认用小矩形条，根椐概率值变长，比纯文字直观得多。代码结构和 5.3 的跳帧逻辑一致，加载模型后循环读帧，检测到人脸就送入 CNN，把结果画回去。参数上把脸的最小检测尺寸设到 64×64，避免远处噪声被误检成人脸；scaleFactor 保持 1.1，这是速度与召回率的常用平衡点。演示时把摄像头往后拉一点、脸约占画面四分之一再启动，Haar 在这个尺度下最稳定；教室光线暗就先开一盏正面灯，避免半张脸在阴影里。

6.2 一个 60 行不到的 Tkinter 壳子：让演示有“系统”感

期末大作业重要的是“系统”两个字。用 Tkinter 包一个最薄的壳，一个“打开摄像头”按钮、一个“退出”按钮就够。摄像头循环要放进子线程，否则会卡死界面，退出时用 root.quit 收尾。这个壳子不解决技术难点，解决的是演示观感：双击一个 py 文件弹出有标题、有按钮的窗口，比直接弹黑底控制台窗口，给老师的“这是一个系统”的印象完全不同。

6.3 实验报告与答辩材料怎么收尾

源码之外，报告决定这门作业的上限。结构按七节走就够：需求分析、方案设计、数据集介绍、模型结构、训练过程、结果分析、不足与改进。需要配的图就是前面生成的四张：数据样本、模型 summary、训练曲线、混淆矩阵。报告里的每个数字都要能对应到代码或日志，随手写“准确率 93%”但拿不出训练日志，是答辩现场最危险的破绽。被问频率最高的三处是：为什么用 Haar、为什么只有三层卷积、验证集和测试集什么区别——这三处在前文都有答案，提前用大白话练两遍。回答时优先讲对比了什么、为什么这么选，哪怕说“我试过更深的结构，笔记本显存不够”也比空谈理论可信。

最后说一个我自己的教训。以前带过一个同学，拿了整包源码，连模型层名都没改就交上去，答辩老师问“你的输入为什么是 48×48”，他愣了半天答不出。后来他把代码推倒重来两天，自己把模型写了，反而磕磕绊绊答得老师连连点头。期末大作业源码真正值钱的，不是那几 KB 代码本身，而是你跑通之后能讲出的完整链路：数据怎么读、特征怎么提、参数为什么这样调。把话说到这份上，这门课基本就稳了。希望帮到你。

本文还有配套的精品资源，点击获取