本文从嘴部几何特征出发，通过计算MAR（高宽比）与MJR（嘴宽比），实现了实时的“微笑”、“大笑”、“正常”表情识别，并扩展实现了“哭/悲伤”的检测。轻量级：无需深度学习模型；实时性强：CPU 即可流畅运行；可扩展性高：容易加入更多表情类型。这种基于几何分析的嘴部表情识别方法，虽然精度略低于深度神经网络，但在嵌入式设备、实时监控、教学分析等场景中具备极高的实用价值。✅完整检测公式汇总参数定义功能M

卷积神经网络作为深度学习的奠基石，在图像识别、语音处理、自然语言处理等领域取得了突破性成果。它的优势在于高效的特征提取和对图像任务的强大性能。然而，随着 Transformer 等新型架构的兴起，CNN 在一些任务中的主导地位有所削弱，但其在视觉任务、嵌入式计算、轻量级模型中仍具有不可替代的作用。未来，CNN 可能会与 Transformer、图神经网络（GNN）等结构融合，形成多模态与跨领域的统

集成学习是一种将多个基础模型（通常是“弱学习器”）组合起来构建一个更强大的“集成模型”的方法。通过对多个模型的结果进行加权、投票或平均等方式合成，可以显著提升最终预测性能。📌 举例：如果你请5位医生分别对某个病例进行诊断，然后取大多数医生的意见作为最终判断，这就是一种现实中的“集成学习”。特点BaggingBoostingStacking模型训练并行顺序自由组合是否加权否是是（通过元模型）偏差/

✅ 本项目展示了如何使用循环神经网络处理自然语言文本：学习序列依赖捕捉上下文语义应用于二分类情感分析📈替换为LSTM / GRU改进长距离依赖。添加增强泛化能力。使用进一步优化。

线性回归是回归分析的入门基础；使用可以快速构建模型；可以可视化预测结果和分析模型性能；推荐在实际应用中注重数据预处理、特征选择与残差分析。

ResNet 的核心思想：通过残差学习和快捷连接解决深层网络的退化问题。残差模块：基础块（BasicBlock）和瓶颈块（Bottleneck）。效果：ResNet 让网络层数从几十层突破到上百层，极大推动了深度学习的发展。应用：几乎所有计算机视觉主流模型都与 ResNet 有关。

版本年份核心结构特点与改进主干网络是否Anchor-freeYOLOv12015单阶段回归端到端检测Custom CNN否YOLOv22016Anchor机制Darknet-19否YOLOv32018多尺度检测残差连接、3层预测Darknet-53否YOLOv42020CSP+PANet否YOLOv52020PyTorch版CSPDarknet否YOLOv62022Rep结构Anchor-free

1. 配置参数ROOT_DIR = 'vegetables_cls' # 修改为你的实际路径'bocai','huluobo','xilanhua'项目根目录│每个.txt文件存储图像路径及其标签，例如：ROOT_DIR：数据根目录，包含训练、验证、测试图像。：共 6 种蔬菜类别。DEVICE：自动检测是否可用 GPU 加速。通过CLASSES数组定义类别名。# 2. 自定义 Dataset# 读

集成学习是一种将多个基础模型（通常是“弱学习器”）组合起来构建一个更强大的“集成模型”的方法。通过对多个模型的结果进行加权、投票或平均等方式合成，可以显著提升最终预测性能。📌 举例：如果你请5位医生分别对某个病例进行诊断，然后取大多数医生的意见作为最终判断，这就是一种现实中的“集成学习”。特点BaggingBoostingStacking模型训练并行顺序自由组合是否加权否是是（通过元模型）偏差/

硬间隔假设数据是线性可分的，也就是说，存在一个超平面可以完全正确地将不同类别的样本分开，而且没有任何分类错误。数学约束：其中：yi 是标签（+1 或 -1）w 是法向量，bb 是偏置项w⋅xi+b 是样本到超平面的函数值目标函数：（等价于最大化间隔）现实数据往往线性不可分，或者存在噪声、异常值。软间隔 SVM 引入了松弛变量ξi≥0\xi_i \ge 0，允许部分样本越过间隔边界甚至被错误分类，但