本项目使用微博四分类情感数据集（simplifyweibo_4_moods.csv），数据集包含带标签的微博文本，标签对应四种核心情感：• 0：喜悦• 1：愤怒• 2：厌恶• 3：低落我们的目标是训练一个深度学习模型，自动识别微博文本对应的情感类别，适用于舆情监控、用户反馈分析等实际场景。

略def 函数名(参数):代码块return 返回值def:保留字，不能忽略def最后面冒号,def后面要注意缩进创建一个简单的函数fun1()对象是核心概念，它是类的具体实例，代表着内存中一个具体存在的实体。

角点检测：角点（Corner）是图像中在两个或多个方向上灰度值发生剧烈变化的点。提示：cv2.circle(src, (x,y), 3, (0, 0, 255), -1)，绘制实心圆。基于 SIFT 特征匹配的图像验证程序，核心用途是判断两张指纹（或其他）图像是否为同一目标。特征提取：是指从原始数据中抽取关键信息，将其转化为具有判别性的特征向量的过程。指纹验证案例中，指纹1与模板图片匹配成功了，分

MediaPipe 手部识别的核心逻辑：通过预训练模型检测图像中的手部区域，再回归出手部 21 个关键点的三维坐标（x,y,z），同时支持关键点之间的骨骼连接绘制，我们只需调用封装好的 API 即可快速实现功能。这是一个零门槛、易上手的实时手部关键点识别实现方案，基于 Google 开源的 MediaPipe 框架和 OpenCV 库，无需复杂模型训练，几行代码就能实现摄像头实时手部 21 个关键

核心工具与应用场景 本次实战主要依赖两大核心工具：OpenCV（用于图像读取、预处理、模型加载和画面展示）和Dlib（用于人脸检测、68个人脸关键点定位，精度高、易用性强），辅助使用sklearn计算欧氏距离、PIL解决OpenCV中文显示问题。适用场景涵盖：• 驾驶员疲劳监控：实时检测闭眼状态，避免危险驾驶• 课堂/办公状态检测：识别学员/员工疲劳、专注度• 人脸基础特征分析：快速识别年龄、性别

dlib 库提供了预训练的 68 点人脸关键点检测模型，搭配 OpenCV 即可快速实现关键点定位与面部轮廓绘制，无需复杂训练，开箱即用。◦ cv2.convexHull() + cv2.drawContours()：生成凸包，绘制闭合轮廓。实现方法：人在微笑时，嘴角会上扬，嘴的宽度和与整个脸颊(下颌)的宽度之比变大。检测图像中的人脸，标注出 68 个关键点，并显示每个关键点的序号，直观展示关键点

对于低级特征的任务（如边缘检测），最好使用浅层模型的层，而对于高级特征的任务（如分类），则应选择更深层次的模型。1、梯度消失和梯度爆炸 梯度消失：若每一层的误差梯度小于1，反向传播时，网络越深，梯度越趋近于0 梯度爆炸：若每一层的误差梯度大于1，反向传播时，网络越深，梯度越来越大。2、冻结预训练模型的参数：保持预训练模型的权重不变，只训练新增加的层或者微调一些层，避免因为在数据集中过拟合导致预训练

将得到的训练数据集和测试数据集通过8种算法来进行模型评估，对比结果得到最优的模型评估。

在计算机视觉领域，图像变换是最基础也最核心的操作之一。无论是简单的图像旋转、精准的模板匹配，还是用于图像分层处理的金字塔操作，都是实现图像增强、目标检测、图像重建的关键技术。本文将结合实战代码，系统讲解 OpenCV 中这三类核心图像变换技术的原理与实现。

在矿物数据分析与建模任务中，缺失值是数据预处理阶段无法回避的问题。缺失值会导致模型训练偏差、特征信息丢失，甚至直接影响最终分类 / 预测效果。本文基于实际矿物数据集，实现了完整行保留、均值、中位数、众数、线性回归、随机森林六种缺失值填充方法，并详细讲解各方法的实现逻辑与适用场景，为矿物数据预处理提供可复用的解决方案。