GPU上可运行代码

从零开始训练模型

FER-2013数据集介绍

本项目采用Kaggle竞赛中公开分享的数据集FER-2013，是一个用于人脸表情识别的数据集，该数据集由3万多张灰度，48x48大小的面部图像组成，这些图像具有7种情绪，全部标记为：0-Angry、1-Disgust、2-Fear、3-Happy、4-Sad、5-Surprise和6-Neutral。

---

1、导入所需要的库

import torch
from torch.utils.data import  DataLoader, Dataset
from torchvision import transforms
import pandas as pd
from torch import nn
import numpy as np
from tqdm import tqdm
from matplotlib import pyplot as plt
import seaborn as sn
from sklearn.metrics import confusion_matrix

---

2、定义数据集路径

data = pd.read_csv('D:\\DataSet\\fer2013.csv')

代码解读

pd.read_csv()是pandas库中用来读取CSV文件的函数。

注意：需要把上述代码中的fer2013.csv文件路径更改为自己下载保存好的fer2013.csv文件路径。

下载 fer2013.csv

fer3013.csv文件可以在本人博客的主页，点击资源，找到对应文件进行下载。

fer2013.csv文件介绍

除了第一行定义了三个字段emotion，pixels和Usage外，接下来的每一行代表一个样本，每个样本有三个字段：emotion，pixels和Usage。

• emotion
  表示样本的情绪类别。在这个数据集中，有7种不同的情绪类别，分别用数字0-6表示。
• pixels
  包含了样本的像素值，每个像素值都是一个介于0-255之间的整数，代表像素的亮度。这些像素值是按照从左到右、从上到下的顺序排列的，形成了一个48x48的二维数组。
• Usage
  表示样本的使用情况。在这个数据集中，有两种使用情况：‘Training’和’PublicTest’。'Training’表示样本用于训练模型，而’PublicTest’表示样本用于测试模型。

---

4、打印数据集相关信息

# 打印出数据集的前几行
data_head = data.head()
print(data_head)

# 将’pixels’列中的字符串像素值转换为整数像素值，并将结果存储在’images’列中
data['images'] = [[int(y) for y in x.split()] for x in data['pixels']]

train_data = data[data['Usage'] == 'Training']
test_data = data[data['Usage'] == 'PublicTest']
print(train_data.shape)
print(test_data.shape)

代码输出结果为：

   emotion                                             pixels     Usage
0        0  70 80 82 72 58 58 60 63 54 58 60 48 89 115 121...  Training
1        0  151 150 147 155 148 133 111 140 170 174 182 15...  Training
2        2  231 212 156 164 174 138 161 173 182 200 106 38...  Training
3        4  24 32 36 30 32 23 19 20 30 41 21 22 32 34 21 1...  Training
4        6  4 0 0 0 0 0 0 0 0 0 0 0 3 15 23 28 48 50 58 84...  Training

(28709, 4)
(3589, 4) 

代码解读

data['images'] = [[int(y) for y in x.split()] for x in data['pixels']]

• 将fer2013.csv文件中的列名为 “pixels” 中的每一个元素（即每一个字符串）取出来依次复制给 x。

• x 中的每一个元素（每一个字符串）经过 x.split() 后，传递给 y 作为 y 中的一个元素，然后经过 int(y) 把 y 的一个元素转换为一个整数列表。

• for循环遍历结束后，得到的是一个整数列表，该整数列表中的每一个元素为一个列表。

即最终得到的 data[‘images’ ] 是一个列名为“images”的列表，该列表中的每一个元素也为一个列表，每一个元素代表一张图像中的所有像素值。

演示 x 的 第一个元素的变化过程：

x 的第一个元素为
70 80 82 72 58 58 60 63 54 58 60 48 89 115 121

x 的第一个元素经过 x.split() 后
['70', '80', '82', '72', '58', '58', '60', '63', '54', '58', '60', '48', '89', '115', '121']

接着把结果传递给y，然后进行int(y)后
[70, 80, 82, 72, 58, 58, 60, 63, 54, 58, 60, 48, 89, 115, 121]
得到的这个整数列表代表第一张图像的所有像素值

总的来说，该行代码的作用为将’pixels’列中的字符串像素值转换为整数像素值，并将结果存储在’images’列中

• x.split()
  split() 通过指定分隔符对字符串进行切片

【代码例子】

str = "0 10 20 30";
print ( str.split() ); # 以空格为分隔符

# 输出结果
['0', '10', '20', '30']

• [int(y) for y in x.split()]
  用于将 x.split() 得到的像素值列表中的每个元素（每一个字符串）转换为整数。结果是一个整数列表，代表一个图像的所有像素值。

代码例子

str = "0 10 20 30";
print ( str.split() ); # 以空格为分隔符

a =  [int(y) for y in str.split()]
print(a)

# 输出结果
['0', '10', '20', '30']
[0, 10, 20, 30]

• for x in data[‘pixels’]
  依次取出 data[‘pixels’] 列表中的每个元素（其中的每个元素都是一个字符串），并将其赋值给变量 x

代码例子

data = {
   
    
    'pixels': [
        '100 200 150 255 0 255 100 200 150 255 0 255',
        '50 100 200 255 0 255 50 100 200 255 0 255'
    ]
}

for x in data["pixels"]:
    print(x)
    
# 输出结果
100 200 150 255 0 255 100 200 150 255 0 255
50 100 200 255 0 255 50 100 200 255 0 255

• 汇总
  假设fer2013.csv文件中的列名为 “pixels” 中的只有5个元素（即列名为 “pixels”的这一列有5行），即

70 80 82 72 58 58 60 63 54 58 60 48 89 115 121...  
151 150 147 155 148 133 111 140 170 174 182 15...  
231 212 156 164 174 138 161 173 182 200 106 38... 
24 32 36 30 32 23 19 20 30 41 21 22 32 34 21 1...  
4 0 0 0 0 0 0 0 0 0 0 0 3 15 23 28 48 50 58 84...  

data = {
   
    
    'pixels': [
        '70 80 82 72 58 58 60 63 54 58 60 48 89 115 121',
        '151 150 147 155 148 133 111 140 170 174 182 15',
        '231 212 156 164 174 138 161 173 182 200 106 38',
        '24 32 36 30 32 23 19 20 30 41 21 22 32 34 21 1',
        '4 0 0 0 0 0 0 0 0 0 0 0 3 15 23 28 48 50 58 84'
    ]
}

for x in data["pixels"]:
    print(x)
    y = x.split()
    print("y: ", x.split())
    z = [int(i) for i in y]  # 使用列表推导式将列表中的每个元素转换为整数
    print("int(y): ", z)
    print("\n")

data['images'] = [[int(y) for y in x.split()] for x in data['pixels']]
print("data['images']：")
print(data['images'])

代码输出结果为

70 80 82 72 58 58 60 63 54 58 60 48 89 115 121
y:  ['70', '80', '82', '72', '58', '58', '60', '63', '54', '58', '60', '48', '89', '115', '121']
int(y):  [70, 80, 82, 72, 58, 58, 60, 63, 54, 58, 60, 48, 89, 115, 121]


151 150 147 155 148 133 111 140 170 174 182 15
y:  ['151', '150', '147', '155', '148', '133', '111', '140', '170', '174', '182', '15']
int(y):  [151, 150, 147, 155, 148, 133, 111, 140, 170, 174, 182, 15]


231 212 156 164 174 138 161 173 182 200 106 38
y:  ['231', '212', '156', '164', '174', '138', '161', '173', '182', '200', '106', '38']
int(y):  [231, 212, 156, 164, 174, 138, 161, 173, 182, 200, 106, 38]


24 32 36 30 32 23 19 20 30 41 21 22 32 34 21 1
y:  ['24', '32', '36', '30', '32', '23', '19', '20', '30', '41', '21', '22', '32', '34', '21', '1']
int(y):  [24, 32, 36, 30, 32, 23, 19, 20, 30, 41, 21, 22, 32, 34, 21, 1]


4 0 0 0 0 0 0 0 0 0 0 0 3 15 23 28 48 50 58 84
y:  ['4', '0', '0', '0', '0', '0', '0', '0', '0', '0', '0', '0', '3', '15', '23', '28', '48', '50', '58', '84']
int(y):  [4, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3, 15, 23, 28, 48, 50, 58, 84]


data['images']：
[[70, 80, 82, 72, 58, 58, 60, 63, 54, 58, 60, 48, 89, 115, 121], [151, 150, 147, 155, 148, 133, 111, 140, 170, 174, 182, 15], [231, 212, 156, 164, 174, 138, 161, 173, 182, 200, 106, 38], [24, 32, 36, 30, 32, 23, 19, 20, 30, 41, 21, 22, 32, 34, 21, 1], [4, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3, 15, 23, 28, 48, 50, 58, 84]]

train_data = data[data['Usage'] == 'Training']
从 fer2013.csv 文件中选择出Usage列下值为’Training’的所有行，并将结果赋值给train_data。这样，train_data就包含了所有用于训练的数据。

test_data = data[data['Usage'] == 'PublicTest']
从 fer2013.csv 文件中选择出Usage列下值为’PublicTest’的所有行，并将结果赋值给test_data。这样，test_data就包含了所有用于公开测试的数据。

【代码例子】

# 假设我们有一个如下的DataFrame：
import pandas as pd

data = pd.DataFrame({
   
    
    'Usage': ['Training', 'PublicTest', 'Training', 'PublicTest'],
    'Value': [1, 2, 3, 4]
})

print(data)
'''
# 输出结果为：
  Usage  Value
0  Training      1
1  PublicTest     2
2  Training      3
3  PublicTest     4
'''

# 现在，我们想要从data DataFrame中选择所有Usage列值为'Training'的行，使用以下代码：
train_data = data[data['Usage'] == 'Training']
print(train_data)
'''
# 输出结果为：
  Usage  Value
0  Training      1
2  Training      3
'''
# 同样，我们想要从data DataFrame中选择所有Usage列值为'PublicTest'的行，使用以下代码：
test_data = data[data['Usage'] == 'PublicTest']
print(test_data)
'''
# 输出结果为：
  Usage  Value
1  PublicTest     2
3  PublicTest     4
'''

# 这样，我们就成功地根据Usage列的值选择了相应的数据子集