emotion-recognition-neural-networks
emotion-recognition-neural-networks 是一个基于卷积神经网络（CNN）和 TensorFlow 框架的面部情绪识别开源项目。它旨在解决让计算机自动理解人类面部表情这一技术难题，能够识别愤怒、厌恶、恐惧、快乐、悲伤、惊讶及中性这七种基本情绪。该项目源自代尔夫特理工大学的神经网络课程实践，核心亮点在于利用深度学习模型对 FER-2013 数据集进行训练，在特定测试中达到了约 67% 的准确率，并提供了从数据预处理（CSV 转 NumPy）到模型训练及实时演示的完整代码流程。
需要注意的是，项目作者已在文档中明确提示，当前代码库可能存在运行问题且暂时无暇修复，同时所使用的数据集在质量和多样性上存在局限，直接应用于其他场景可能导致精度下降。因此，emotion-recognition-neural-networks 更适合对深度学习感兴趣的研究人员、学生或开发者使用。它可以作为学习 CNN 架构（如 AlexNet 及其变体）在教学场景中如何应用于图像分类的参考案例，或作为二次开发的起点，但不建议普通用户或非技术人员直接将其作为成熟产品部署使用。
使用场景
某在线教育平台的教学质量监控团队，希望实时分析学生在网课中的情绪反馈以优化教学内容。
没有 emotion-recognition-neural-networks 时
- 依赖人工抽查录像，不仅耗时费力，且无法覆盖海量课程数据，导致情绪反馈严重滞后。
- 缺乏统一的技术基线，团队需从零构建卷积神经网络架构，研发周期长达数月且难以保证准确率。
- 面对 FER-2013 等公开数据集，缺少标准化的预处理脚本（如 CSV 转 NumPy），数据清洗占据了 80% 的开发时间。
- 模型训练与实时推理流程割裂，无法快速验证“愤怒”或“困惑”等关键情绪识别的可行性。
使用 emotion-recognition-neural-networks 后
- 直接复用基于 TensorFlow 的 DNN/CNN 成熟架构，将原型开发时间从数月缩短至几天，快速获得约 67% 的基准准确率。
- 利用内置的
csv_to_numpy.py脚本一键完成数据格式转换，大幅降低数据工程门槛，让团队专注于模型调优。 - 通过简单的命令行指令（如
python3 emotion_recognition.py poc）即可启动实时演示，即时验证学生对教学内容的反应。 - 参考项目提供的论文与混淆矩阵分析，快速定位模型在“厌恶”或“恐惧”等特定表情上的识别短板并针对性改进。
emotion-recognition-neural-networks 通过提供从数据处理到实时推理的完整开源链路，帮助团队以极低成本实现了情绪识别功能的从 0 到 1 落地。
运行环境要求
- 未说明
未说明
未说明
快速开始
使用卷积神经网络进行情绪识别
请勿使用：目前我认为代码甚至无法运行，而我确实没有时间去修复它。
本仓库是代尔夫特理工大学“神经网络研讨会”课程中关于使用卷积神经网络进行情绪识别的期末项目。
准确率67%
数据集
我们使用的是FER-2013人脸数据库，该数据集包含28,709张图片，展示了7种情绪表达（愤怒、厌恶、恐惧、快乐、悲伤、惊讶和 neutral）。该数据集的质量和图像多样性并不理想，在其他应用场景中可能会得到准确率较差的模型！
您需要申请访问权限才能获取该数据集，或者也可以在Kaggle上下载。请下载fer2013.tar.gz文件，并将其解压到./data文件夹中的fer2013.csv文件。
使用virtualenv安装所有依赖项。
virtualenv -p python3 ./
source ./bin/activate
pip install -r requirements.txt
数据以CSV格式存储，我们需要使用csv_to_numpy.py脚本将其转换为图像和标签数据，并保存到data文件夹中。
$ python3 csv_to_numpy.py
默认情况下，此代码使用AlexNet架构，但在论文中我们提出了不同的架构。
使用方法
# 训练模型
$ python3 emotion_recognition.py train
# 实时使用
$ python3 emotion_recognition.py poc
论文
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。