[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-isseu--emotion-recognition-neural-networks":3,"tool-isseu--emotion-recognition-neural-networks":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":140},4017,"isseu\u002Femotion-recognition-neural-networks","emotion-recognition-neural-networks","Emotion recognition using DNN with tensorflow","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。\n\n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。","# Emotion recognition with CNN\n\n# DO NOT USE: Currently I think the code is not even running and I really don't have time to fix it\n\nThis repository is the out project about mood recognition using convolutional neural network for the course Seminar Neural Networks at TU Delft.\n\n![Angry Test](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fisseu_emotion-recognition-neural-networks_readme_94b3fafa0b2e.png)\n\n 67% Accuracy\n\n ![Angry Test](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fisseu_emotion-recognition-neural-networks_readme_56a24e7d93ae.png)\n\n## Dataset\n\nWe use the [FER-2013 Faces Database](http:\u002F\u002Fwww.socsci.ru.nl:8180\u002FRaFD2\u002FRaFD?p=main), a set of 28,709 pictures of people displaying 7 emotional expressions (angry, disgusted, fearful, happy, sad, surprised and neutral). **The dataset quality and image diversity is not very good and you will probably get a model with bad accuracy in other applications!**\n\nYou have to request for access to the dataset or you can get it on [Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fchallenges-in-representation-learning-facial-expression-recognition-challenge\u002Fdata). Download `fer2013.tar.gz` and decompress `fer2013.csv` in the `.\u002Fdata` folder.\n\nInstall all the dependencies using `virtualenv`.\n\n```bash\nvirtualenv -p python3 .\u002F\nsource .\u002Fbin\u002Factivate\npip install -r requirements.txt\n```\n\nThe data is in CSV and we need to transform it using the script `csv_to_numpy.py` that generates the image and label data in the `data` folder.\n\n```bash\n$ python3 csv_to_numpy.py\n```\n\nBy default this is using AlexNet architectures, but in the paper we propose different ones.\n\n## Usage\n\n```bash\n# To train a model\n$ python3 emotion_recognition.py train\n# To use it live\n$ python3 emotion_recognition.py poc\n```\n\n## Paper\n\n[Link](https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fblob\u002Fmaster\u002Fpaper\u002FReport_NN.pdf)\n","# 使用卷积神经网络进行情绪识别\n\n# 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。\n\n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。\n\n![愤怒测试](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fisseu_emotion-recognition-neural-networks_readme_94b3fafa0b2e.png)\n\n准确率67%\n\n![混淆矩阵](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fisseu_emotion-recognition-neural-networks_readme_56a24e7d93ae.png)\n\n## 数据集\n\n我们使用的是[FER-2013人脸数据库](http:\u002F\u002Fwww.socsci.ru.nl:8180\u002FRaFD2\u002FRaFD?p=main)，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！**\n\n您需要申请访问权限才能获取该数据集，或者也可以在[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fchallenges-in-representation-learning-facial-expression-recognition-challenge\u002Fdata)上下载。请下载`fer2013.tar.gz`文件，并将其解压到`.\u002Fdata`文件夹中的`fer2013.csv`文件。\n\n使用`virtualenv`安装所有依赖项。\n\n```bash\nvirtualenv -p python3 .\u002F\nsource .\u002Fbin\u002Factivate\npip install -r requirements.txt\n```\n\n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。\n\n```bash\n$ python3 csv_to_numpy.py\n```\n\n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。\n\n## 使用方法\n\n```bash\n# 训练模型\n$ python3 emotion_recognition.py train\n# 实时使用\n$ python3 emotion_recognition.py poc\n```\n\n## 论文\n\n[链接](https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fblob\u002Fmaster\u002Fpaper\u002FReport_NN.pdf)","# Emotion Recognition Neural Networks 快速上手指南\n\n> **⚠️ 重要提示**：根据项目作者声明，当前代码库**可能无法正常运行**，且作者暂无时间修复。本指南仅基于现有文档整理，供学习参考或尝试调试使用。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS (Windows 需配合 WSL 或类似环境)\n- **Python 版本**：Python 3\n- **前置依赖**：\n  - `virtualenv` (用于创建隔离的 Python 环境)\n  - 基础开发工具链 (gcc, make 等)\n\n## 安装步骤\n\n1. **克隆项目并创建虚拟环境**\n   在项目根目录下执行以下命令初始化环境：\n   ```bash\n   virtualenv -p python3 .\u002F\n   source .\u002Fbin\u002Factivate\n   pip install -r requirements.txt\n   ```\n   *(注：国内用户若下载依赖缓慢，可临时指定清华源：`pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n2. **准备数据集**\n   本项目使用 **FER-2013** 数据集。\n   - 从 [Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fchallenges-in-representation-learning-facial-expression-recognition-challenge\u002Fdata) 下载 `fer2013.tar.gz`。\n   - 解压并将 `fer2013.csv` 文件放置于项目下的 `.\u002Fdata` 文件夹中。\n\n3. **数据格式转换**\n   运行脚本将 CSV 数据转换为模型所需的 NumPy 格式：\n   ```bash\n   $ python3 csv_to_numpy.py\n   ```\n   执行成功后，图像和标签数据将生成在 `data` 文件夹内。\n\n## 基本使用\n\n项目默认采用 AlexNet 架构进行训练和推理。\n\n- **训练模型**\n  开始训练情绪识别模型：\n  ```bash\n  $ python3 emotion_recognition.py train\n  ```\n\n- **实时演示 (PoC)**\n  调用摄像头进行实时情绪检测演示：\n  ```bash\n  $ python3 emotion_recognition.py poc\n  ```\n\n*(补充说明：原数据集多样性有限，在其他应用场景中模型准确率可能较低。详细技术报告可查阅项目中的 `paper\u002FReport_NN.pdf`。)*","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。\n\n### 没有 emotion-recognition-neural-networks 时\n- 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。\n- 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。\n- 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。\n- 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。\n\n### 使用 emotion-recognition-neural-networks 后\n- 直接复用基于 TensorFlow 的 DNN\u002FCNN 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。\n- 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。\n- 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。\n- 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。\n\nemotion-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fisseu_emotion-recognition-neural-networks_94b3fafa.png","isseu","Enrique Correa","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fisseu_f7822515.png","Software Engineer @ Instagram ML","@facebook","New York",null,"http:\u002F\u002Fwww.isseu.cl","https:\u002F\u002Fgithub.com\u002Fisseu",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,847,305,"2026-03-05T16:12:40","MIT",5,"未说明",{"notes":96,"python":97,"dependencies":98},"作者明确警告：当前代码可能无法运行且无暇修复。数据集需从 Kaggle 或 RaFD 获取并解压 fer2013.csv 到 .\u002Fdata 文件夹。运行前需执行 csv_to_numpy.py 将 CSV 数据转换为 numpy 格式。默认使用 AlexNet 架构。","3.x (通过 virtualenv -p python3 指定)",[99],"requirements.txt 中定义的库 (具体列表未在 README 中展示)",[13,52],[102,103,104,105,106],"emotion-recognition","tensorflow","machine-learning","deep-neural-networks","convolutional-neural-networks","2026-03-27T02:49:30.150509","2026-04-06T07:07:00.644212",[110,115,120,125,130,135],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},18286,"如何从 fer2013.csv 生成训练集和测试集的 .npy 文件（data_set_fer2013.npy 等）？","默认脚本可能只生成 data_kike.npy。你需要修改 cvs_to_numpy.py 脚本，根据 CSV 中的 'Usage' 列将数据分为训练集和测试集。具体逻辑如下：\n1. 读取 row['Usage']。\n2. 如果 Usage 为 \"Training\"，将图像和标签加入 images 和 labels 列表。\n3. 如果 Usage 为 \"PublicTest\"，将图像和标签加入 images_test 和 labels_test 列表。\n4. 最后分别保存为四个文件：\n   np.save('data_set_fer2013.npy', images)\n   np.save('data_labels_fer2013.npy', labels)\n   np.save('test_set_fer2013.npy', images_test)\n   np.save('test_labels_fer2013.npy', labels_test)","https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fissues\u002F39",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},18287,"运行程序时出现 'NoneType' object has no attribute 'shape' 错误怎么办？","这通常是因为程序无法找到人脸或图像加载失败导致 image 变量为 None。请检查以下几点：\n1. 确认 CASC_PATH 配置正确：将 constants.py 复制到 .\u002Fdata 目录，并修改路径为 CASC_PATH = '..\u002Fhaarcascade_files\u002Fhaarcascade_frontalface_default.xml'。\n2. 如果是切片索引错误（slicing indices must be Integer），请修改 cvs_to_numpy.py 第 20 行，确保索引转换为整数：\n   gray_border[(int(150 \u002F 2) - int(SIZE_FACE\u002F2)):(int(150\u002F2)+int(SIZE_FACE\u002F2)), (int(150\u002F2)-int(SIZE_FACE\u002F2)):(int(150\u002F2)+int(SIZE_FACE\u002F2))] = image","https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fissues\u002F1",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},18288,"没有 GPU，训练时间太长，有预训练的模型可以使用吗？","原作者已丢失预训练模型，但社区成员提供了替代方案。你可以使用以下仓库中在 CPU 上训练好的网络：\n1. https:\u002F\u002Fgithub.com\u002Fnimish1512\u002FEmotion-recognition-and-prediction\n2. https:\u002F\u002Fgithub.com\u002Felfadly\u002FCNN-with-tensorflow-for-emotion-recognition\n这些仓库包含了可以直接运行的预训练权重。","https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fissues\u002F5",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},18289,"运行 cvs_to_numpy.py 时出现 'TypeError: unsupported operand type(s) for %' 错误如何解决？","这是代码语法错误，通常出现在旧版本代码中。错误行类似于 `print %image.shape`。维护者已更新代码修复了此问题。如果你遇到此错误，请拉取最新的代码版本。如果是类似 `print(image.shape)` 被误写导致的格式字符串错误，请确保移除多余的 `%` 操作符或使用正确的 print 函数语法。","https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fissues\u002F40",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},18290,"如何验证模型的准确率或生成混淆矩阵？","项目本身不包含预训练模型，必须先自行训练。训练完成后（生成 .meta 文件），若要验证模型（例如使用 FER2013 测试集生成混淆矩阵）：\n1. 需要修改 poc.py 文件以支持输入图像文件或测试集数据进行批量预测。\n2. 原作者指出这是一个旧项目，未包含验证脚本的直接用法，你可能需要参考 plot_emotion_matrix.py 的逻辑，手动加载 test_set_fer2013.npy 数据并通过模型进行预测，然后对比真实标签绘制混淆矩阵。","https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fissues\u002F44",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},18291,"训练开始时发现训练样本数和验证样本数相同（例如都是 10809），这是正常的吗？","这通常意味着数据划分或加载逻辑有误，导致验证集被错误地设置为了训练集。正常情况下，验证集应小于训练集（例如训练集 10809，验证集应为其中一部分或独立的测试集 3157）。请检查数据加载代码中是否错误地将 `_images` 同时赋值给了训练和验证参数，或者在调用 tflearn 的 fit 函数时错误地传入了相同的数据源。确保 `validation_set` 参数指向的是独立的测试数据（如 test_set_fer2013.npy）。","https:\u002F\u002Fgithub.com\u002Fisseu\u002Femotion-recognition-neural-networks\u002Fissues\u002F2",[]]