简介：图像分类是计算机视觉领域的核心任务，而卷积神经网络（CNN）凭借其层次化特征提取能力，成为解决这类问题的经典方案。将CNN应用于面部表情识别，能够自动从人脸图像中识别出愤怒、惊讶、开心等情绪类别，是典型且极具实战价值的深度学习入门项目。PyTorch作为学术界主流的动态图框架，提供了灵活的调试体验和丰富的预训练模型，极大降低了模型迁移学习的门槛。在工程实践中，通过合理的数据增强、训练调参和混淆矩阵评估，可以有效提升模型精度与泛化能力。本文围绕一个面部表情识别毕业设计项目，从环境配置、模型构建到论文写作给出了完整的实战指南，帮助读者在已有源码基础上快速做出属于自己的差异化成果。 先说结论：这个项目应该算是我带过的毕业设计里性价比最高的一类——任务明确、技术栈成熟、数据公开、模型有现成的预训练权重可以迁移，但又不至于烂大街到老师一眼就pass。你拿到手的“源代码+模型数据+论文”三件套，本质上是一个已经跑通的完整闭环，而你真正的毕业设计工作，是在这个闭环上做出“你自己的东西”。
这篇博文我会从怎么理解这套源码、怎么把模型数据用起来、怎么把论文写出工作量这三个角度拆开讲，并且把训练过程中的关键参数、踩坑点和调参思路一并补齐。无论你是刚拿到源码还没跑通，还是已经在跑但不知道怎么改，这篇文章都值得你花十分钟看完。
1. 整体设计与思路拆解
1.1 为什么是PyTorch + CNN这个组合
先聊一个最容易被忽略但实际很关键的问题：市面上做图像分类的框架那么多，为什么这个项目选了PyTorch而不是TensorFlow，也不是Keras？
一个很现实的原因是生态。PyTorch在学术界的占有率这几年基本是碾压级别的，CVPR、ICCV这些顶会上的开源代码，十有八九是PyTorch写的。你毕业设计答辩的时候，老师随便问一句“你参考过哪些开源工作”，你报出一串PyTorch实现的模型，老师是认可这个技术选型的。反过来如果你说用TensorFlow 1.x，老师可能先皱眉——那玩意儿早就停止维护了，用旧技术栈做新项目，本身就是减分项。
另一个原因是调试体验。PyTorch是动态图机制，意味着你可以像写普通Python代码一样，随时打印中间张量的形状、数值、梯度。对于面部表情识别这种需要反复调试的细粒度分类任务，这种“所见即所得”的调试方式能省下大量时间。我在带学生的时候发现，用TensorFlow静态图，很多学生卡在“图构建”阶段就放弃了；换成PyTorch，哪怕完全没有深度学习基础，两三天就能上手写训练循环。
从任务本身来看，面部表情识别本质上是一个图像分类问题，输入是一张人脸图像，输出是情绪类别（通常7类：生气、厌恶、害怕、开心、难过、惊讶、中性）。CNN天然适合这个任务，因为它的卷积操作能自动提取从边缘、纹理到五官构型的层次化特征，不需要你手工设计特征提取器。这套方案在工业界和学术界都验证过无数次，是“稳妥但不平庸”的路线。
1.2 拿到三件套后先做什么
很多人拿到源码的第一反应是直接跑，跑通了就觉得万事大吉。这个习惯非常危险，因为毕设答辩的时候，老师问的第一个问题往往是“这个模型你改了什么”。如果你只是把别人的代码从头到尾跑了一遍，你的回答是“没改，直接跑的”——这就等于告诉老师你完全没有自己的工作量。
我给你的建议是，拿到源码后先做“代码审计”，把每个文件的角色搞清楚。这套项目的典型结构大概是：
├── data/ # 数据集存放目录 ├── models/ # 模型定义（CNN结构） ├── utils/ # 工具函数（数据加载、可视化等） ├── train.py # 训练脚本 ├── test.py # 测试/推理脚本 ├── requirements.txt # 依赖清单 └── checkpoints/ # 模型权重文件（.pth）你至少要能回答以下问题：
- 模型结构是什么？几层卷积、几层全连接？有没有残差连接？
- 输入图像尺寸是多少？归一化用的是什么均值和标准差？
- 损失函数用的什么？优化器是什么？学习率初始值多少？
- 数据集的划分比例是多少？
这些问题一个一个核对清楚，你才算真正“消化”了这套源码。这个过程大概需要半天时间，但它决定了你后续能不能做出差异化。
1.3 这套方案要避免什么问题
这里我要泼一盆冷水：面部表情识别看起来简单，实际上坑很深。最大的坑就是数据集本身的偏差问题。
人脸表情数据集（比如FER2013、CK+、RAF-DB）大多是在实验室环境下采集的，被试者按照指令做表情，这种“表演出来的表情”和真实场景下的自然表情差异很大。所以很多模型在测试集上准确率70%+，一到真实摄像头场景就掉到50%以下。
另一个问题是类别不平衡。在FER2013里，“开心”类别的样本量远超“厌恶”和“害怕”，如果你不做任何处理，模型训练出来会严重偏向多数类，少数类几乎识别不出来。这是毕设答辩时最容易被老师抓住的点。
所以我的建议是：不要只跑通原始代码就完事，你要主动暴露问题、解决问题。比如你可以统计一下训练集每个类别的样本数量，画个柱状图，如果发现不平衡，就引入加权损失函数（Weighted CrossEntropyLoss），或者做类别感知的数据增强。这些虽然改动不大，但写在论文里是实打实的工作量。
2. 关键环境配置与数据集准备
2.1 PyTorch环境搭建的避坑指南
这套项目的第一步是环境搭建。很多学生卡在这一步长达两三天，最后发现是CUDA版本和PyTorch版本不匹配。
我先给一个最稳妥的组合方案。如果你用的是NVIDIA显卡，建议的搭配是：
- Python 3.8 或 3.10
- PyTorch 1.12 或 2.x（取决于你的显卡驱动）
- CUDA 11.6 或 11.8（注意不是环境变量里的CUDA版本，而是PyTorch编译时的CUDA版本）
- cuDNN 8.x
安装命令我推荐用conda，因为conda会自动帮你匹配好依赖：
conda create -n facial python=3.10 conda activate facial pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118关键点来了：如果装完PyTorch后，你用python -c "import torch; print(torch.cuda.is_available())"返回False，不要急着重装，先检查以下几个问题：
- 显卡驱动太老，建议升级到最新版本（NVIDIA官网下载）。
- 跑的终端没有激活conda环境，导致import到了base环境的CPU版PyTorch。
- 如果你在服务器上跑，可能需要
nvidia-smi看看GPU利用率是不是被别的进程占满了。
这里有个实用小技巧：直接用pip list | grep torch查看当前环境的torch版本，如果后面跟着+cu118之类的后缀，说明是GPU版；如果只有torch==2.0.1没有后缀，很大概率是CPU版。这个判断方法比torch.cuda.is_available()更直观，因为后者可能因为其他原因误报False。
2.2 数据集下载与处理的细节
面部表情识别最经典的数据集是FER2013，也是这套项目大概率用的数据集。它由35887张48x48灰度图组成，已经在Kaggle上公开很多年，下载渠道都比较稳定。
我遇到过不少学生在数据准备阶段就乱了手脚。这里有几个细节需要提前注意：
凡是下载完的数据集，第一件事是核对结构。FER2013原始格式是CSV文件，每行包含emotion标签和pixels像素值。如果你下载到的已经是按文件夹分好的图片格式，那是别人预处理过的版本，省事很多。
第二件事是验证图像尺寸。原版FER2013是48x48，但很多模型会resize到224x224（因为ImageNet预训练模型默认输入尺寸是224）。如果你用的是预训练模型，一定要看代码里做了resize没有。我之前有个学生，模型精度一直上不去，最后排查发现是训练时resize到了224，测试时忘了resize，输入尺寸不一致导致精度暴跌。
数据可视化这一步我强烈建议做，而且做完的图可以直接放进论文。用一段简单的代码把所有类别的样本各展示几张：
import matplotlib.pyplot as plt import numpy as np def show_samples(images, labels, class_names): plt.figure(figsize=(12, 6)) for i in range(8): plt.subplot(2, 4, i + 1) plt.imshow(images[i].squeeze(), cmap='gray') plt.title(class_names[labels[i]]) plt.axis('off') plt.tight_layout() plt.savefig('samples.png', dpi=150)这张图放在论文的“数据集介绍”章节，既有说服力又显工作量。
2.3 数据增强怎么加才合理
数据增强是面部表情识别项目里提升模型泛化能力的核心手段，但加多加少都会出问题。我见过学生把RandomResizedCrop、RandomRotation、ColorJitter、RandomAffine全堆上去，结果训练集准确率反而上不去，因为原始图像被扭曲得太厉害，模型根本学不到有效特征。
更合理的做法是选择性使用。针对面部表情识别这个具体任务：
- RandomHorizontalFlip（随机水平翻转）：这个基本必加，因为人脸的左右对称性很强，翻转不会改变表情语义。
- RandomRotation（随机旋转）：角度控制在±10度以内。人的头部自然状态下会有轻微倾斜，这个增强能模拟这种变化。但超过15度就会破坏面部结构。
- RandomAffine（随机仿射变换）：轻微平移和缩放，模拟摄像头距离和位置的变化，建议范围控制在平移10%、缩放0.9~1.1倍。
- ColorJitter（颜色抖动）：如果用的是灰度图，这个增强意义不大；如果是RGB图，可以轻微调节亮度对比度，模拟光照变化。
注意别在测试集上做数据增强——这是个低级错误。测试集的预处理只需要和训练集保持一致（同一个resize尺寸、同一个归一化参数），不需要任何随机操作。
3. 模型构建与训练调参
3.1 从零写CNN还是用迁移学习
这是毕设项目里最核心的决策：你的模型结构是什么？
两种路线各有优劣，我分别说清楚。
路线一：从零构建CNN。优点是结构完全自主设计，论文里能画模型结构图，能完整解释每一层的参数设置逻辑，答辩时非常占优势。缺点是需要从零训练，收敛慢、精度上限不高（在FER2013上大概60-65%是天花板），而且需要自己调参，对新手不够友好。
一个经典的轻量级CNN结构可以参考：
import torch.nn as nn class EmotionCNN(nn.Module): def __init__(self, num_classes=7): super().__init__() self.features = nn.Sequential( nn.Conv2d(1, 32, kernel_size=3, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.MaxPool2d(2), ) self.classifier = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(128, num_classes), ) def forward(self, x): return self.classifier(self.features(x))注意我在这里用了AdaptiveAvgPool2d(1)，这是个便宜好用的技巧。它能把任意尺寸的输入池化成1x1，这样你的模型就不用担心输入尺寸必须固定，而且全局平均池化比直接Flatten再接全连接层的参数量小得多，不容易过拟合。
路线二：迁移学习。用ImageNet上预训练好的ResNet18或MobileNetV2，替换最后的全连接层，然后微调。优点是收敛快、精度高（FER2013上能到70%+），缺点是模型结构是别人设计的，论文里你只能讲“我用了什么预训练模型”，工作量体现不充分。
我最推荐的做法是两条路结合：拿预训练模型做baseline，证明它在测试集上的精度很高；然后自己设计一个更轻量的CNN，通过蒸馏（Distillation）把预训练模型的“知识”迁移到自己的小模型上。这个操作写进论文非常有分量，而且实际代码改动不大，用Hinton的蒸馏损失就能实现。
3.2 训练参数的“为什么”
很多学生训练时把epochs=50, batch_size=32, lr=0.001一填就直接跑，跑到一半发现loss不降就慌了。我得说，参数不是拍脑袋定的，每个都对应一个具体的问题。
学习率（learning_rate）：0.001是最常用的初始值，原因是Adam优化器在该学习率下对大多数CNN任务都能稳定收敛。但如果你观察到loss曲线震荡厉害，就需要调低到0.0001；如果前几个epoch loss下降太慢，可以考虑先用0.01跑10个epoch预热。
批次大小（batch_size）：这个主要受限于显存。一张普通显卡（8GB显存）在224x224输入下，batch_size设32是比较合适的选择。不建议为了追求大batch把图像缩小到64x64，因为会损失过多细节——表情识别很依赖嘴型和眼角的细微变化，太小的输入会让模型学不到这些特征。
迭代轮数（epochs）：理想情况下，设置一个比较大的值（比如100轮），然后在训练过程中监控验证集准确率，使用ModelCheckpoint保存最优模型，而不是傻等到100轮结束才保存。你也可以用早停法（EarlyStopping），连续10轮验证集精度不提升就终止训练，节省时间。
优化器（optimizer）：首选Adam。虽然严格来说Adam在收敛后期不如SGD+momentum精细，但对毕设项目来说，Adam省去了手动调节学习率衰减策略的麻烦。如果你想让论文多一点“技术含量”，可以加一个CosineAnnealingLR学习率调度器，让学习率在训练过程中按余弦曲线衰减，这个设计写进论文能加分。
3.3 训练中的过拟合与欠拟合判断
我判断一个模型会不会过拟合，看两条曲线就够：训练集loss和验证集loss。
如果训练loss持续下降，但验证loss先降后升，那就是过拟合。解决手段按优先级排列：
- 增加数据增强强度，拓展训练分布覆盖范围。
- 增大Dropout比例，从0.2提到0.5，随机丢弃部分神经元。
- 权重衰减（weight_decay），也就是L2正则化，在优化器中加上
weight_decay=1e-4，过拟合严重可以调到1e-3。 - 减小模型容量，比如减少卷积层通道数（从64降到32），让模型没有足够能力“背”住训练集。
如果训练loss和验证loss都高，那就是欠拟合。此时反向操作：增大模型容量、降低正则化强度、给更长训练时间。
这里有个细节值得注意：BatchNorm层在训练和测试阶段行为不同（训练时用batch统计量，测试时用全局统计量），如果你在测试时忘了调用model.eval()，模型的表现会非常不稳定。这是新手最常犯的错误之一，务必在测试脚本里加上这一行。
4. 模型评估与论文撰写的核心要点
4.1 评估指标怎么选才专业
面部表情识别任务里，最常用的评估指标是准确率（Accuracy），但只有准确率其实不够。因为前面提到过，表情数据集存在类别不平衡问题，准确率会掩盖少数类表现差的事实。
我建议用混淆矩阵（Confusion Matrix）和各类别的精确率（Precision）、召回率（Recall）、F1-score来综合评估。在论文里放一张混淆矩阵的热力图，一眼就能看出哪些类别容易混淆——通常“害怕”和“惊讶”最容易分不清，因为两者都伴随眼睛睁大的特征。
绘制混淆矩阵的脚本可以参考：
import seaborn as sns from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt cm = confusion_matrix(y_true, y_pred) plt.figure(figsize=(8, 6)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues') plt.title('Confusion Matrix') plt.xlabel('Predicted') plt.ylabel('True') plt.savefig('confusion_matrix.png', dpi=150)注意fmt='d'参数，让热力图里显示整数而不是科学计数法，不然带小数点的1.0e+03看起来非常不专业。
4.2 论文里模型对比部分的设计
毕设论文最怕的就是“只有自己一个模型，没有对比”，这是写作结构上最大的硬伤。你至少要对比以下三组：
Baseline对比：你的模型 vs 简单的LeNet-5或全连接网络。这里重点展示“CNN比传统神经网络更会提取空间特征”。
迁移学习对比：你的模型 vs ResNet18微调、MobileNetV2微调。展示不同backbone的精度差异，同时论证你的模型在参数效率上的优势（可以列出模型的参数量对比表）。
消融实验（Ablation Study）：如果你用了数据增强，就对比“不加增强”和“加增强”的精度差异；如果你在模型里加了注意力模块，就对比“注意力模块加与不加”。这种消融实验是深度学习论文的标配，也是证明自己做了系统性工作的重要证据。
关于表格式的参数对比，我的建议是这样设计：
| 模型 | 参数量(M) | 准确率 | 推理耗时(ms) | 备注 |
|---|---|---|---|---|
| 自研CNN | 1.2 | 68.5% | 3.2 | 轻量，适合边缘部署 |
| ResNet18微调 | 11.7 | 71.2% | 8.1 | 精度最高 |
| MobileNetV2微调 | 2.2 | 69.8% | 5.4 | 精度与速度均衡 |
这个表格放论文里，比单纯堆叠准确率数字有说服力得多，因为它展示了你在计算资源受限情况下的工程权衡思考。
4.3 论文写作的“工作量展示”技巧
我评审过不少毕设论文，大部分被扣分不是因为做得不好，而是不会展示自己做了什么。这里分享几个实用技巧。
第一，画一张完整的系统流程图。从输入图像到输出情绪标签，把数据预处理、人脸检测、表情分类模型、后处理几个模块都画清楚。这篇博文里就不放流程图了，但你论文里绝对不能少。画图工具推荐draw.io或者ProcessOn，导出矢量图插入Word很清晰。
第二，至少放4张以上的训练过程曲线图。包括：训练/验证loss曲线、训练/验证准确率曲线、学习率变化曲线、以及不同模型的对比曲线。这些图直接用matplotlib就能画出来，注意加上图例和坐标轴标签，别让图看起来像草稿。
第三，异常案例分析。在测试集里找出几个预测错误的样本，分析为什么错了——是光照问题、遮挡问题还是表情本身模糊难辨？这种分析能展示你对任务本质的理解深度，比堆叠“准确率达到85%以上”这种空话强太多。
5. 常见问题与排查技巧实录
5.1 训练Loss不下降怎么办
这个问题的出现频率最高，几乎每个跑深度学习项目的学生都会遇到。排查顺序我建议是这样的：
先看是不是学习率的问题。把loss曲线打印出来，如果是一开始就不降，可以尝试把学习率调大十倍（比如从0.001调到0.01）；如果是降了一会儿就停在平台期，可以试试学习率衰减策略。
再看数据是不是有问题。检查一下标签和图像是否对得上，输入图像是否做了归一化（像素值在0~1还是0~255）。我曾经遇到过学生把像素值除以255和ImageNet归一化重复了好几遍，导致输入数据分布严重偏离正常范围。
最后检查模型定义。有时候是模型的最后一层和损失函数不匹配，比如用了nn.CrossEntropyLoss但模型输出层带了nn.Sigmoid，这会导致梯度计算异常，训练不收敛。
5.2 CUDA Out of Memory报错
如果你用的是8GB显存的显卡，跑224x224图像、batch_size=32的ResNet18，出现OOM是很正常的事情。解决方案有三个方向：
把batch_size调小到16或8。不要舍不得，代价只是训练时间略微变长，但能保住模型的稳定性。
再不行就用梯度累积（Gradient Accumulation）来模拟大batch效果。代码实现很简单：每跑4个batch更新一次梯度，等价于batch_size扩大了4倍：
accumulation_steps = 4 for i, (images, labels) in enumerate(train_loader): outputs = model(images) loss = criterion(outputs, labels) loss = loss / accumulation_steps # 缩放loss，保证梯度量级一致 loss.backward() if (i + 1) % accumulation_steps == 0: optimizer.step() optimizer.zero_grad()最后实在不行，考虑用混合精度训练（Mixed Precision），在PyTorch里只需要加两行代码：
from torch.cuda.amp import GradScaler, autocast scaler = GradScaler() with autocast(): outputs = model(images) loss = criterion(outputs, labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()混合精度能节省将近一半显存，而且因为Tensor Core加速，训练速度反而更快。唯一需要注意的是某些自定义层可能不支持半精度，不过这个项目里的标准CNN层都没问题。
5.3 训练集和验证集划分的合理性
这是很多学生踩过但没意识到的坑。如果数据划分不合理，训练出来的模型即使准确率很高也没有说服力。面试官或答辩老师可能会直接问：“你训练集和测试集是怎么划分的？有没有保证同一个人的数据不会同时出现在训练集和测试集里？”
在FER2013这种数据集中，同一被试者的多张表情图可能在原始CSV里排在一起。如果直接随机划分，很可能同一人的图被同时分进训练集和测试集，造成数据泄露，导致测试准确率虚高。
正确做法是按人的ID划分，或者在读取数据时先按数据集中已有的索引顺序做分层采样。当然，FER2013官方已经划分好了train/test集，这种情况直接用官方划分即可。如果你用的是CK+数据集，它本身按受试者组织，那就必须保证一个受试者的数据只出现在一个集合里。
5.4 系统找不到模块或包
这类问题集中在两种场景。一种是ModuleNotFoundError: No module named 'torchvision'，说明环境没装全，用pip install torchvision安装即可。另一种是No module named 'sklearn'、No module named 'matplotlib'，这些都是常用依赖，用pip逐个安装就可以。建议一次性把requirements.txt里所有依赖都装好，省得跑一步报一个错。
有一个环境管理的心得：不要在base环境里直接装项目依赖，一定要为项目单独创建conda虚拟环境。不然你今天装的包A依赖numpy 1.21，明天项目B需要numpy 1.24，两个版本冲突会把你折磨到怀疑人生。养成每个项目一个环境的好习惯，能帮你省下大量时间。
6. 项目扩展方向与落地部署思路
6.1 从静态图片到实时视频流
如果你的毕设只做到“输入一张图片、输出一个表情标签”，工作量其实还不够饱满。很多老师会追问：“能不能做实时检测？”
把静态识别扩展为实时视频流识别，核心步骤是接入摄像头并用OpenCV读取视频帧，每隔几帧做一次人脸检测和表情识别。这里要注意两个问题：人脸检测需要用OpenCV自带的Haar Cascade或者MTCNN把脸框出来，裁剪后传给表情模型；推理速度要控制在每帧50毫秒以内，否则看起来会非常卡顿。
一个简单可用的实时推理循环：
import cv2 import torch import numpy as np cap = cv2.VideoCapture(0) face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') model.eval() while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5) for (x, y, w, h) in faces: face = gray[y:y+h, x:x+w] face = cv2.resize(face, (48, 48)) face = face.astype(np.float32) / 255.0 tensor = torch.from_numpy(face).unsqueeze(0).unsqueeze(0) with torch.no_grad(): output = model(tensor) pred = output.argmax(dim=1).item() label = class_names[pred] cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.putText(frame, label, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imshow('Emotion Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()这里有个小细节：input张量必须做unsqueeze(0)，因为模型期望的输入维度是[batch_size, channels, height, width]，单张图片进来的时候缺少batch维度。这个错误我见过无数学生犯，报错内容通常是一长串维度不匹配的提示。
6.2 尝试引入注意力机制
如果想让模型结构更有亮点，我建议在CNN中插入一个轻量的通道注意力模块（SE Block）。这个模块的代码量很少，但效果显著，而且写进论文里是一个明确的创新点。
SE Block的思路是：学习每个通道的重要性权重，然后重新校准特征图。文字描述比较抽象，但结合代码就很直观了：
class SEBlock(nn.Module): def __init__(self, channels, reduction=16): super().__init__() self.squeeze = nn.AdaptiveAvgPool2d(1) self.excitation = nn.Sequential( nn.Linear(channels, channels // reduction), nn.ReLU(inplace=True), nn.Linear(channels // reduction, channels), nn.Sigmoid() ) def forward(self, x): b, c, h, w = x.size() y = self.squeeze(x).view(b, c) y = self.excitation(y).view(b, c, 1, 1) return x * y在论文中，你可以做一个消融实验，对比“加SE模块”和“不加SE模块”的准确率差异。哪怕提升只有2个百分点，这也是你模型里真正属于自己的东西，答辩时的价值远超照搬一个ResNet。
6.3 关于模型数据的三点提醒
你项目里带的“.pth模型文件”是训练好的权重，但用的时候有三点必须注意：
第一，加载权重时确保模型定义和权重匹配。如果你的模型结构做了一点改动，比如改了全连接层的输出维度，直接用旧权重会报错。这时候需要把load_state_dict改为strict=False，跳过不匹配的层：
model.load_state_dict(torch.load('best_model.pth'), strict=False)第二，CPU环境如何加载GPU训练好的模型。下载的模型很可能是GPU训练的，如果只在CPU上跑，加载时需要指定：
model.load_state_dict(torch.load('best_model.pth', map_location=torch.device('cpu')))第三，别忘了在论文附录里展示模型效果截图。可以是测试集中几张图的前后对比（原图 + 预测标签 + 置信度），也可以是混淆矩阵、loss曲线等可视化结果。答辩PPT里放这些图，直观性和说服力远超纯粹的指标罗列。
最后分享一点个人心得
我是真心觉得，面部表情识别这个选题在毕设里“性价比”很高。它不像目标检测那样工程复杂度高，也不像图像生成那样训练极不稳定，它是“深度学习的黄金入门任务”——学术上有值得展开的问题（类别不平衡、光照干扰、跨数据集泛化），工程上又有足够闭环的产出（训练、评估、推理、可视化）。
如果你拿到这套源码，我建议你把这篇文章里提到的几个改动都实际操作一遍：跑通原始代码、加数据增强、做一次对比实验、画出混淆矩阵。做完这四件事，你的论文就不愁没有内容写了。
尤其要提醒的是：任何毕设项目都不只是跑通代码就结束了，关键是你能否清晰地讲清楚每一步决策的原因。这篇文章帮你把“为什么”补全了，剩下的就是你自己动手把这些“为什么”变成论文里的叙述。祝你顺利过关。
本文还有配套的精品资源，点击获取
