前言：

        人脸表情识别有三大主流数据集rafdb、affectnet、ferplus，之前跑rafdb精度挺正常的，但是另外两个数据集复现不出来精度，经过几个月的踩坑，我发现其实是数据集的原因。

        我在官方找的AffectNet数据集有几十个G，都是没有裁剪过的，我下载下来都费劲，完整跑一次要两周...并且affectnet和ferplus都是按表情类别分文件夹存储的，而Raf-db是所有训练集都放在train文件当中，然后会有一个标签文件(csv文件)指明哪张图片属于什么类别，再用dataset文件将他们关联起来，而另外两个数据集都不是这种结构的，跑出来的精度就会差很多。 于是仿照Raf-db的思路，我找到处理之后的AffectNet和FERPlus数据集，并且仿照rafdb写了一份dataset.py文件，整个数据集结构和raf-db的目录结构一样，跑出来精度就恢复正常了！affectnet大概是20-40epock之内就能出最优结果，ferplus大概需要100-200epock出最优结果。并且裁剪处理之后的affectnet只有4G多，方便多了。

        接下来看一下数据集的结构：

数据集结构：

下面看一下处理之后的AffectNet和FERPlus数据集：

AffectNet：

总目录结构：

训练集（28w+张）：

测试集4k张（每个类别500张）：

下面还有7分类和8分类的标签文件以及对应的dataset文件，使用方式可以参考rafdb，没用过的可以咨询我，这里就不一一赘述了。

FERPLUS：

总目录结构：

3.5w+张：训练集+测试集 （这里训练集和测试集放一起，最后3千多张是测试集）

后面也有对应训练集和测试集的标签，以及dataset文件，也是和raf-db一样的使用方式。

使用方式：

需要数据集的可以后台私我，看到之后会回复。