如图 1.1 所示，该数据集 emotion 为标签 0 到 6，pixels 为像素点，usage
把数据集分为了训练集、测试集和验证集。
1．4 特征提取过程描述
特征提取采用的是卷积神经网络模型结构，其中：卷积层：conv2D；池化
层：MAaxPooling2D；激活函数：RELU；扁平层：Flaten；全连接层：Dense；
损失函数：Dropout。
模型结构为：
conv2D+activation-relu+conv2D+activation-relu+MaxPooling2D+conv2D+activatio
n-relu+MaxPooling2D+conv2D+activation-relu+MaxPooling2D+Flaten+Dense+activ
ation-relu+Dropout+Dense+activation-relu+Dropout+softmax:Dense+activation-relu3
.4。
卷积神经网络的层级结构：数据输入层/Input layer+卷积计算层/CONV
layer+ReLU 激活层/ReLU layer+池化层/Pooling layer+全连接层/FC layer。
在卷积阶段：使用 keras 添加一层二维滤波器，输出维度是 32 并且每个二
维滤波器是 1*1 的卷积层，之后使用使用 ReLU 激活函数。
在池化层阶段：给网络学习 32 个 5*5 的滤波器，也用 ReLU 激活。并且紧
接着一个最大池化层方法，之后第二层卷积阶段和第三层卷积阶段都是用 ReLU
激活函数，后面再次跟着最大池化层方法。第二层仍然是 32 个 3*3 大小的滤波
器，第三层滤波器增加到 64 个 5*5，在更深的网络层增加滤波器数目是模式是
别和深度学习中一个普遍采用的技术。
深度管道的下一个阶段：首先用 Flatten()获得一个扁平的网络，用 ReLU 激
活一个有 2048 个神经元的隐藏层，用 Dropout 丢弃到一半的网络，再添加一个
1024 个神经元的隐藏层，跟着一个关闭 50%神经元的 dropout 层。
输出层：添加作为输出 7 个类的 softmax 层，每个类对应一个类别。
通过最后的输出层，我们得到了特征提取过程的结果。
在训练模型时，我 选择了随机梯度下降算法作为优化器。通常提高性能有两
种方法，一种是定义一个更深、有更多卷积操作的网络，另一种训练更多的图片。
我在这一部分使用了 keras 自带的 ImageDataGenerator 方法扩展来数据集。考虑
到效率问题，keras 提供了生成器针对模型的并发运行。
