### Python 人脸数据集运行结果图片示例 在使用Python处理人脸数据集时，通常会涉及加载数据、预处理以及生成可视化的结果。以下是基于 `CelebA` 和 `FER2013` 数据集的两个具体案例。 #### 使用 CelebA 数据集生成可视化结果 CelebA 数据集包含大量带标注的人脸图像，可以通过简单的脚本将其加载并显示出来[^2]： ```python import matplotlib.pyplot as plt from torchvision.datasets import ImageFolder from torchvision.transforms import ToTensor # 定义数据路径和转换方式 data_dir = 'celeba_dataset/img_align_celeba' dataset = ImageFolder(root=data_dir, transform=ToTensor()) # 可视化部分样本 fig, axes = plt.subplots(2, 5, figsize=(10, 5)) for i, ax in enumerate(axes.flatten()): img, _ = dataset[i] ax.imshow(img.permute(1, 2, 0)) # 调整通道顺序以便显示 ax.axis('off') plt.tight_layout() plt.show() ``` 此代码片段展示了如何从 CelebA 数据集中随机选取一些图像，并通过 Matplotlib 将其可视化[^2]。 --- #### FER2013 数据集生成本地图片文件 对于 FER2013 数据集，由于原始数据是以 CSV 文件的形式存储的，因此需要先解析这些数据并将它们保存为实际的图像文件[^3]： ```python import pandas as pd import os import numpy as np from PIL import Image # 加载数据 df = pd.read_csv('fer2013.csv') # 创建目录用于保存图像 os.makedirs('fer_images/train', exist_ok=True) os.makedirs('fer_images/test', exist_ok=True) # 遍历每一行数据 for index, row in df.iterrows(): pixels = row['pixels'].split(' ') usage = row['Usage'] emotion = str(row['emotion']) # 将像素值转换为 NumPy 数组 pixel_array = np.array(pixels, dtype=np.uint8).reshape((48, 48)) # 创建图像对象 img = Image.fromarray(pixel_array) # 构建保存路径 save_path = f'fer_images/{usage}/{emotion}_{index}.png' # 保存图像到指定位置 img.save(save_path) ``` 这段代码实现了将 FER2013 的 CSV 数据转化为实际的 PNG 图像文件，并按用途（训练/测试）分别存放在不同的子目录下。 --- #### 结果展示 完成上述操作后，可以进一步编写代码来查看生成的结果。例如，针对 FER2013 数据集，可以用以下方法浏览表情类别对应的图像： ```python import glob # 查找特定类别的所有图像 happy_images = glob.glob('fer_images/train/3_*.png')[:10] # 展示前十个开心表情的图像 fig, axes = plt.subplots(2, 5, figsize=(10, 5)) for idx, path in enumerate(happy_images): img = Image.open(path) ax = axes[idx // 5][idx % 5] ax.imshow(np.array(img), cmap='gray') ax.set_title(f"Happy {idx}") ax.axis('off') plt.tight_layout() plt.show() ``` 以上代码能够筛选出属于“开心”这一类的表情图像，并以网格形式呈现给用户观察[^3]。 ---