训练卷积网络，并提取数据集特征

1、首先训练CNN，50个epoch，保存模型结果

2、用上面训练好的模型去提取fer数据集最后一层的特征（7个类）

3、用同样的CNN网络去训练FER2013plus数据集，由于数据集得到优化，准确率得到很大提升

4、用上面训练好的模型去提取fer2013plus数据集最后一层特征（8个类）

5、用第3步训练好的模型去提取fer2013plus数据集倒数第2层特征（每个特征为128维的向量）

6.CNN训练FER2013+，在valid验证集上的混淆矩阵：


从精确率(precision)来分析，可以看出，happy和suprised的精确率最高，分别为0.87和0.8，在fear和sad上较低，分别为0.53和0.59，在contempt上识别率为0
从召回率(recall)或者灵敏度(sensitive)来看，disgust的召回率只有0.08
从F1-score来看，即精确率和召回率的调和平均数，因此一般将F1-score作为最终评定指标：
$F1-score=(2\ast precision\ast recall)/(preciosion+recall)$，contempt和disgust比较低，anger,fear,sad差强人意，happy，neural和surprised表现亮眼。

又重新训练一次CNN，这次生成的混淆矩阵如下：



再次训练的结果和上次差不太多，从F1-score来看，依旧是happy，neural和surprised高，anger,fear,sad中，contempt和disgust低。出现这样的结果，猜测原因之一是contempt和disgust的val样本量太少。

从混淆矩阵来看，和训练的准确率还是符合的，用预测正确的样本量/总的样本量：
$(203+19+776+989+163+353)/3199=0.7824$
可能纠结的点在于，contempt和disgust这两个类上识别率太低，甚至为0。