《表4 在Fer2013数据集上不同参数设置的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于数据增强和卷积神经网络的面部表情识别研究与实现》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

数据集是否进行数据增强，Epoch设置的大小都对训练集、验证集的准确率和损失值有较大的影响，本实验在Fer2013数据集上不同参数设置的性能比较如表4所示，第一列是实验中设置的参数，在实验过程中，Batch Size、优化器、Learning Rate等参数保持不变。当Epoch设置为200，数据集未进行增强时，训练集的准确率是59.11%，验证集准确率是62.17%，由于验证集图片数量较少，验证集准确率高于训练集准确率，训练集的损失值比验证集的损失值高了0.676，为了提高在训练集和验证集上的准确率，需要增加训练轮数，即将Epoch设置为更大的数值。Epoch设置为100时，训练集和验证集的准确率变化曲线如图（c）所示，在数据集都增强且Epoch设置为200比Epoch设置为100时，训练集的准确率提高了7.19%，验证集的准确率提高了2.58%，同时训练集的准确率和未进行数据增强的准确率相比提高了7.3%，Epoch为100时，训练集和验证集的损失值变化曲线如图（d）所示，当训练轮数达到100时，损失值还有下降趋势，由此可看出将数据集增强和Epoch设置为200时更合理，训练效果更好。实验结果表明通过数据增强扩充图片数量和设置合理的参数能提高训练集和测试集准确率，降低损失值。使用数据增强后的24000张测试集图片评估模型性能，平均准确率为70.05%，实验结果表明测试集上的平均准确率和验证集上的最高准确率几乎相等，模型泛化性能好。