人脸表情识别，训练集，验证集，集，kaggle的fer2013数据集。

此数据集由几千个 Twitter 用户评论（输入文本）和情感（输出标签）组成，用于学习如何培训文本以进行情绪分析。 此数据集是通过实施关键字使用 Twitter API 创建的。 这里的想法是一个数据集不仅仅是一个玩具 - 合理的规模的真实业务数据 - 但可以在几分钟内在一个适度的笔记本电脑上训练。 file/opensearch/documents/92964/data.csv

情感识别 机器学习算法将人脸分为七类（即愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性）之一。

Marvin Minsky - The Emotion Machine - Common Sense Thinking, Artificial Intelligence And The Future Of Human Mind (Simon & Schuster, 380, 2006).pdf

深度情感：使用注意卷积网络的面部表情识别 这是研究论文“的PyTorch实现 [注意]这不是官方执行文件 建筑学 基于注意力卷积网络的端到端深度学习框架 通过空间变压器网络添加注意机制 数据集 先决条件 要运行此代码，您需要具有以下库： 火炬> = 1.1.0 火炬视觉== 0.5.0 OpenCV tqdm 皮尔 该存储库的结构 该存储库的组织方式为： 此文件包含数据集和训练循环的设置。 此文件包含用于评估测试数据模型和网络摄像头实时测试的源代码。 此文件包含模型类 此文件包含数据集类 此文件包含数据集的设置 用法 DeepLearning_by_PhDScholar创建的超酷视频，介绍如何使用此实现。 资料准备 从Kaggle下载数据集，然后将train.csv和test.csv解压缩到./data文件夹中。 怎么跑 设置数据集 python main.py [-s

从面部表情实时情感分析 从面部表情实时进行人类情绪分析。 它使用了深度的卷积神经网络。 使用的模型在测试数据上的准确性达到63％。 实时分析器为当前情绪分配合适的表情符号。 模型实现是在keras中完成的。 一些预测的输出： 使用的表情符号： 实时情绪分析器快照 从图中可以明显看出，给定帧的模型预测是中性的。 模型架构 文件清单 facial Emotions.ipynb ：Jupyter笔记本，具有记录完整的代码，从开始到培训都说明模型准备。 可用于重新训练模型。 main.py ：主python webcam_utils ：用于从面部实时检测情绪的代码prediction_utils ：

人类通过肢体语言，语音，面部表情等各种方式表达情绪。我们已经使用面部表情来检测非常重要的情绪，并且在机器学习中有着广泛的应用，尤其是在医学，通讯，教育和娱乐领域。 老年健康监测，安全系统，心理学和计算机视觉，驾驶员疲劳监测是情感检测在现实世界中的少数应用。 该系统旨在识别七种情绪，即愤怒，悲伤，幸福，惊奇，中立，惊奇和厌恶。 我们的系统提出通过卷积神经网络（CNN）使用面部表情对人类进行情感检测。 进行了文献综述以选择最佳的深度学习模型。 应用的主要算法是CNN。 使用的数据集是Fer2013和JAFFE。

Speech_Emotion_Recognition

使用指令的操作对SVM、MLP、LSTM算法进行了训练和测试的操作，采用CASIA数据集进行训练，需要安装python的语音处理报librosa，还有可以使用opensmile的部分，内容较为丰富

演示语音情感应用 演示语音情感检测器