复现GitHub项目：Emotion-detection

项目地址

链接: https://github.com/atulapra/Emotion-detection/tree/master.

实践步骤与注意事项

1. download原项目，并用pycharm打开（这里如果pycharm提示是否创建虚拟环境，选择否）
2. pycharm右下角添加新的解释器：选择conda环境，并选择含conda.bat的路径，环境名（解释器名）会自动适配项目名（尽量不修改）
这里选择python版本时，如果作者没有指明python具体版本，可先让ai依据requirements.txt推荐一个最合适的python版本
3. 打开pycharm的终端，注意是否激活了刚创建的虚拟环境，并执行

  pip install -r requirements.txt

注意：这里如果途中有包和python版本不适配的情况，则直接google搜文档所要求的版本，一般第一条是pypi官网，进入查看该包的whl适配哪些版本，比如cp38则说明该包可在python3.8中下载获得；

4. 关于数据集，作者已经提示下载地址，获得csv文件。
5. 运行dataset_prepare.py，这一步是为了将csv文件转为作者想要的训练集png和测试集png
6. 开始训练模型，在这途中会有提示有的包不存在，pip install就可以
7. 剩下的就是耐心等待训练
8. 运行结果——过拟合了

运行dataset_prepare.py时有目录没找到的报错
训练结束后，画图不成功有报错，
解决办法——借助ai

关于accuracy和loss图

Epoch 1/50：这表示总共计划训练 50 个 epoch，而你当前正在第 1 个 epoch 内进行训练。

338/448：训练数据被分成 448 个批次（batch），当前已处理 338 个批次。每个批次通常代表一部分数据（batch size 个样本），这样可以分批次计算梯度，节省内存。

[=====================>…]：进度条显示当前 epoch 的进程。其中“=`符号”代表已处理的批次比例，“.”代表剩余还没处理的批次。它直观展示了训练进度。

ETA: 55s：ETA (Estimated Time of Arrival) 意思是预计还需要55秒来完成这个 epoch。这个数值动态更新，取决于每个批次的处理速度。

loss: 1.8089：当前计算的损失（loss）值是 1.8089。损失函数用于衡量模型在预测时与真实标签之间的差距，通常目标是越低越好。

accuracy: 0.2530：当前训练批次的准确率（accuracy）为 25.30%。这给出了一种模型在这个训练阶段在当前数据上的正确预测比例的直观反馈。

⏱ - 18s 41ms/step
当前 epoch 用时 18 秒 完成。每个 step（即每个 batch）耗时约 41 毫秒。

📉 - loss: 1.0393
表示 训练集 上的损失值（Loss）为 1.0393。
损失函数用于衡量模型输出与真实标签之间的差距。这个值越小越好。

🎯 - accuracy: 0.6113
表示模型在 训练集 上的准确率是 61.13%。
说明在训练数据中，模型预测正确的比例是 61.13%。

🧪 - val_loss: 1.1148
表示模型在 验证集 上的损失为 1.1148。
相比训练集的 loss，val_loss 略高，说明在验证集上表现稍微差一点。

🎯 - val_accuracy: 0.5760
表示模型在 验证集 上的准确率是 57.60%。
通常会用验证集准确率来判断模型是否过拟合、是否泛化良好。

训练集准确率逐渐上升，模型正在逐步学习。
验证准确率虽然略低于训练集，但二者比较接近，说明暂时还没有出现明显的过拟合。
但如果继续训练下去，出现：
训练准确率继续上升，验证准确率停滞或下降 → 可能过拟合。
训练和验证准确率一同上升 → 模型仍在有效学习。

📌 总结
模型在训练集上表现越来越好，但在验证集上不再提升，说明它可能在记忆训练数据而不是学会泛化能力，这就是典型的过拟合。