尧图网站建设 
简介这份源码资源面向计算机、人工智能及相关专业的学生与开发者聚焦在SEED脑电数据集上完成EEG情绪识别任务可满足毕业设计、期末大作业与课程设计等场景需求。项目难度适中评审得分达98分内容经助教老师审定适合作为入门脑电信号处理与深度学习的实践参考。资源包共17个文件约10.65MB以py脚本、xml配置、txt与docx结果记录、md说明文档为主涵盖数据读取、SVM与CNN两条技术路线的实现代码及实验记录目录结构清晰便于按模块查阅与复现。目前已有317人学习下载。读者可从中获得完整的情绪识别方案、可运行的训练与推理脚本、SVM与CNN对比实验结果以及数据预处理与特征提取的排错思路帮助快速搭建实验环境并理解EEG情绪识别流程。1. 从 SEED 数据集切入EEG 情绪识别源码到底能跑出什么如果你手头有一份 SEED 数据集又拿到一份号称「高分项目」的 EEG 情绪识别源码第一件该做的事不是急着调参而是先搞清楚这套东西的输入输出边界。SEED 是上海交大发布的脑电情绪数据集被试观看中文电影片段采集 62 通道 EEG标签是三类情绪消极、中性、积极。它的价值在于被试内重复试验多、标签干净适合做被试依赖subject-dependent的情绪分类验证。但很多人拿到源码后直接跑发现准确率忽高忽低甚至同一份代码换台机器结果就变了——问题往往不在模型而在预处理和分段策略。这套源码通常解决的是「给定一段 EEG 信号判断当前情绪类别」的问题落地场景包括疲劳监测、情感交互、注意力评估等。适合谁有 Python 基础、懂一点信号处理、想快速验证 EEG 情绪识别流程的从业者。新手能跟着把 DE 特征 SVM 基线跑通熟手能在此基础上换成 EEGNet、TSception 这类深度模型。下面我按「数据怎么读 → 特征怎么提 → 模型怎么搭 → 坑在哪」的顺序把这条链路拆开讲。2. SEED 数据读取与预处理从 .mat 到可训练张量2.1 SEED 的文件结构和标签映射SEED 的原始数据一般以.mat文件给出每个被试一个文件夹里面按实验次数分文件。常见结构是Preprocessed_EEG下每个 session 一个.mat变量名类似data、label。标签是 1/0/-1 对应消极/中性/积极也有版本用 1/2/3。读之前先确认你手里的是「预处理后」还是「原始」版本两者滤波状态不同后续处理不能混。import scipy.io as sio import numpy as np # 读取单个被试的一个 session mat sio.loadmat(Preprocessed_EEG/1_20131027.mat) # 常见键名data62 x T、label1 x T eeg mat[data] # 形状 (62, 时间点) label mat[label].squeeze() # 形状 (时间点,) print(eeg.shape, label.shape, np.unique(label))逻辑说明squeeze()去掉多余维度避免后续广播出错。参数上data的通道顺序在不同版本可能不同务必对照官方 channel 列表核对否则空间特征全乱。标签如果是 1/0/-1训练前映射成 0/1/2别直接喂给要求非负的损失函数。2.2 去噪与滤波eeg去噪不是可选项EEG 去噪是绕不开的一步。SEED 预处理版通常已做 0-75Hz 带通和 50Hz 陷波但如果你拿到的是较原始版本或者想自己控制频段就要补滤波。情绪识别常用频段是 theta(4-8)、alpha(8-13)、beta(13-30)、gamma(30-45)。常见做法是先 1-50Hz 带通再做陷波。from scipy.signal import butter, filtfilt, iirnotch def bandpass(data, fs200, low1, high50, order4): b, a butter(order, [low/(fs/2), high/(fs/2)], btypeband) return filtfilt(b, a, data, axis-1) def notch(data, fs200, freq50, q30): b, a iirnotch(freq/(fs/2), q) return filtfilt(b, a, data, axis-1) eeg_clean notch(bandpass(eeg, fs200), fs200)逻辑说明filtfilt做零相位滤波避免相位偏移影响后续分段。参数fs必须和数据集实际采样率一致SEED 常见 200Hz也有 1000Hz 降采样版本填错会导致频段整体偏移。order4是经验值太高会振铃太低滚降不够。去噪后建议画一下功率谱确认 50Hz 是否压下去这一步是很多「玄学掉点」的根源。2.3 分段与基线处理SEED 每个 trial 通常有几十秒情绪标签在 trial 级别。常见做法是滑窗分段窗长 1-4 秒步长 0.5-2 秒。窗太短频域分辨率不够太长则样本少且情绪状态可能漂移。我一般用 2 秒窗、1 秒步长起步。def segment(eeg, label, fs200, win2, step1): win_pts win * fs step_pts step * fs segs, labels [], [] for start in range(0, eeg.shape[1] - win_pts, step_pts): seg eeg[:, start:startwin_pts] segs.append(seg) # 取窗内多数标签 labels.append(np.bincount(label[start:startwin_pts].astype(int)).argmax()) return np.stack(segs), np.array(labels) X, y segment(eeg_clean, label) print(X.shape, y.shape) # (N, 62, 400)逻辑说明np.bincount取窗内多数标签避免边界处标签抖动。参数win、step直接决定样本量和信息量建议做一组对比实验。注意基线有些流程会减去 trial 开始前的静息段均值这一步能去掉个体慢漂移但也会削弱某些低频情绪特征是否做要看你的验证结果。3. 特征提取与模型搭建DE、PSD 还是端到端3.1 手工特征DE 和 PSD 为什么常被选在 SEED 上差分熵DE是经典且强的特征尤其在 beta 和 gamma 频段对情绪区分明显。DE 本质是高斯假设下功率谱对数的线性变换计算稳定、维度低。PSD 也常用但维度更高。常见做法是分 5 个频段、62 通道算 DE得到 310 维特征再送 SVM 或浅层网络。from scipy.signal import welch def compute_de(seg, fs200, bandsNone): if bands is None: bands [(4,8),(8,13),(13,30),(30,45)] feats [] for low, high in bands: f, pxx welch(seg, fsfs, npersegseg.shape[-1]) mask (f low) (f high) # 高斯假设下 DE ≈ 0.5*log(2*pi*e*var)用功率近似 de 0.5 * np.log(2 * np.pi * np.e * (pxx[mask].mean() 1e-8)) feats.append(de) return np.array(feats) # (band, channel) # 对每个样本、每个通道算 def extract_de(X, fs200): out [] for seg in X: ch_feats [compute_de(seg[c], fs) for c in range(seg.shape[0])] out.append(np.stack(ch_feats, axis1)) # (band, channel) return np.array(out) F extract_de(X) print(F.shape) # (N, 4, 62)逻辑说明welch估功率谱1e-8防 log 零。参数bands可按需增删gamma 上限别超过滤波截止。DE 特征对窗长敏感2 秒窗是常见折中。算完建议做通道标准化否则不同被试幅值差异会让模型偏向高幅值被试。3.2 深度模型EEGNet 和 TSception 的取舍如果手工特征到瓶颈可以上深度模型。EEGNet 结构小、参数少适合样本有限的 SEEDTSception 用多尺度卷积抓时域和频域表现常更好但更吃数据。两者都要求输入是 (batch, channel, time)别把维度搞反。import torch import torch.nn as nn class EEGNet(nn.Module): def __init__(self, ch62, t400, n_cls3, F18, D2, F216): super().__init__() self.block1 nn.Sequential( nn.Conv2d(1, F1, (1, 64), padding(0, 32), biasFalse), nn.BatchNorm2d(F1), nn.Conv2d(F1, F1*D, (ch, 1), groupsF1, biasFalse), nn.BatchNorm2d(F1*D), nn.ELU(), nn.AvgPool2d((1, 4)), nn.Dropout(0.25), ) self.block2 nn.Sequential( nn.Conv2d(F1*D, F2, (1, 16), padding(0, 8), biasFalse), nn.BatchNorm2d(F2), nn.ELU(), nn.AvgPool2d((1, 8)), nn.Dropout(0.25), ) self.fc nn.Linear(F2 * (t // 32), n_cls) def forward(self, x): x x.unsqueeze(1) # (B,1,ch,t) x self.block1(x) x self.block2(x) x x.flatten(1) return self.fc(x) model EEGNet() print(sum(p.numel() for p in model.parameters()))逻辑说明第一个卷积抓时域第二个深度卷积抓空间groupsF1是深度可分离的关键。参数F1、D、F2控制容量SEED 上别一上来就调大容易过拟合。t//32要和你实际窗长对齐窗长变了这里必须改否则全连接维度报错。训练时用被试内划分别跨被试混否则准确率虚高。3.3 被试依赖的划分和评估SEED 上「高分」往往来自被试依赖设置同一被试的部分 trial 训练、部分测试。跨被试难度大得多准确率会明显下降。评估时用分层 K 折保证每类都有。from sklearn.model_selection import StratifiedKFold from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline Xf F.reshape(len(F), -1) skf StratifiedKFold(n_splits5, shuffleTrue, random_state42) accs [] for tr, te in skf.split(Xf, y): clf make_pipeline(StandardScaler(), SVC(kernelrbf, C1.0)) clf.fit(Xf[tr], y[tr]) accs.append(clf.score(Xf[te], y[te])) print(np.mean(accs), np.std(accs))逻辑说明StandardScaler必须在 pipeline 里避免测试集信息泄漏。C1.0是起点可用网格搜。报告结果时给均值和标准差只报最高一次是自欺欺人。这套基线在 SEED 被试依赖下通常能到 80% 以上深度模型可再往上但别信没有划分说明的「99%」。4. 避坑与排查SEED 情绪识别最常见的 5 个翻车点4.1 现象准确率异常高接近 100%原因标签泄漏。常见于先对整段数据做标准化或滤波再分段测试集信息渗进训练。也可能是滑窗重叠导致同一段同时出现在训练和测试。 解决所有预处理只在训练折上 fit测试折 transform分段后按 trial 划分别按窗随机分。4.2 现象换被试后准确率暴跌到随机水平原因跨被试分布差异大模型学到了被试特定模式而非情绪。也可能是通道顺序或采样率不一致。 解决明确你的任务是被试依赖还是跨被试。跨被试要加域适应或对齐别直接套被试依赖的结论。4.3 现象训练 loss 不降或震荡原因学习率过大、输入未标准化、标签未映射成连续整数。 解决先跑一个 batch 过拟合测试确认模型能记住小数据检查标签取值范围学习率从 1e-3 起调。4.4 现象DE 特征维度对不上或全为负原因功率谱估计窗长设置不当或nperseg大于信号长度log 里出现零或负数。 解决确保nperseg seg.shape[-1]加1e-8防零检查滤波后信号是否全零。4.5 现象GPU 上结果和 CPU 不一致原因非确定性算子、随机种子未固定、数据加载顺序不同。 解决固定torch.manual_seed、numpy.random.seed设torch.use_deterministic_algorithms(True)DataLoader 的shuffle在评估时关掉。5. 把源码跑成自己的验证技巧与可复用习惯拿到一份 SEED 情绪识别源码别急着改模型。我的习惯是先做三件事第一用极小数据一个被试一个 session跑通全流程确认没有维度错、路径错第二把预处理和分段参数做成配置跑一组对照看准确率对窗长、频段的敏感度第三固定随机种子记录每次实验的完整配置否则一周后你根本不知道哪次结果对应哪套参数。验证模型是否真的学到情绪而非伪影可以做一个简单实验把标签打乱重训如果准确率仍明显高于随机说明有泄漏或数据不平衡。另一个技巧是看混淆矩阵SEED 三类里中性和积极常混如果某类几乎全对先怀疑标签问题。进阶用法上可以试被试内微调先用其他被试预训练再在目标被试少量数据上微调兼顾泛化和个性化。也可以把 DE 特征和深度模型特征拼接做晚期融合通常比单一路线稳。参数上融合权重别拍脑袋用验证集搜。# 打乱标签的对照实验检验是否泄漏 y_shuffle np.random.permutation(y) clf make_pipeline(StandardScaler(), SVC()) clf.fit(Xf, y_shuffle) print(shuffled acc:, clf.score(Xf, y_shuffle))逻辑说明如果打乱标签后准确率仍高说明特征或划分有问题。正常应接近 1/3。这个对照花不了几分钟却能省掉很多后悔药。我踩过最深的坑是早期只看最高准确率没固定划分结果论文式复现时怎么都回不到那个数。后来养成习惯任何结果必须带划分方式和随机种子否则不认。希望帮到你。本文还有配套的精品资源点击获取 SEED数据集EEG情绪识别源码实战：从预处理到模型避坑指南
简介这份源码资源面向计算机、人工智能及相关专业的学生与开发者聚焦在SEED脑电数据集上完成EEG情绪识别任务可满足毕业设计、期末大作业与课程设计等场景需求。项目难度适中评审得分达98分内容经助教老师审定适合作为入门脑电信号处理与深度学习的实践参考。资源包共17个文件约10.65MB以py脚本、xml配置、txt与docx结果记录、md说明文档为主涵盖数据读取、SVM与CNN两条技术路线的实现代码及实验记录目录结构清晰便于按模块查阅与复现。目前已有317人学习下载。读者可从中获得完整的情绪识别方案、可运行的训练与推理脚本、SVM与CNN对比实验结果以及数据预处理与特征提取的排错思路帮助快速搭建实验环境并理解EEG情绪识别流程。1. 从 SEED 数据集切入EEG 情绪识别源码到底能跑出什么如果你手头有一份 SEED 数据集又拿到一份号称「高分项目」的 EEG 情绪识别源码第一件该做的事不是急着调参而是先搞清楚这套东西的输入输出边界。SEED 是上海交大发布的脑电情绪数据集被试观看中文电影片段采集 62 通道 EEG标签是三类情绪消极、中性、积极。它的价值在于被试内重复试验多、标签干净适合做被试依赖subject-dependent的情绪分类验证。但很多人拿到源码后直接跑发现准确率忽高忽低甚至同一份代码换台机器结果就变了——问题往往不在模型而在预处理和分段策略。这套源码通常解决的是「给定一段 EEG 信号判断当前情绪类别」的问题落地场景包括疲劳监测、情感交互、注意力评估等。适合谁有 Python 基础、懂一点信号处理、想快速验证 EEG 情绪识别流程的从业者。新手能跟着把 DE 特征 SVM 基线跑通熟手能在此基础上换成 EEGNet、TSception 这类深度模型。下面我按「数据怎么读 → 特征怎么提 → 模型怎么搭 → 坑在哪」的顺序把这条链路拆开讲。2. SEED 数据读取与预处理从 .mat 到可训练张量2.1 SEED 的文件结构和标签映射SEED 的原始数据一般以.mat文件给出每个被试一个文件夹里面按实验次数分文件。常见结构是Preprocessed_EEG下每个 session 一个.mat变量名类似data、label。标签是 1/0/-1 对应消极/中性/积极也有版本用 1/2/3。读之前先确认你手里的是「预处理后」还是「原始」版本两者滤波状态不同后续处理不能混。import scipy.io as sio import numpy as np # 读取单个被试的一个 session mat sio.loadmat(Preprocessed_EEG/1_20131027.mat) # 常见键名data62 x T、label1 x T eeg mat[data] # 形状 (62, 时间点) label mat[label].squeeze() # 形状 (时间点,) print(eeg.shape, label.shape, np.unique(label))逻辑说明squeeze()去掉多余维度避免后续广播出错。参数上data的通道顺序在不同版本可能不同务必对照官方 channel 列表核对否则空间特征全乱。标签如果是 1/0/-1训练前映射成 0/1/2别直接喂给要求非负的损失函数。2.2 去噪与滤波eeg去噪不是可选项EEG 去噪是绕不开的一步。SEED 预处理版通常已做 0-75Hz 带通和 50Hz 陷波但如果你拿到的是较原始版本或者想自己控制频段就要补滤波。情绪识别常用频段是 theta(4-8)、alpha(8-13)、beta(13-30)、gamma(30-45)。常见做法是先 1-50Hz 带通再做陷波。from scipy.signal import butter, filtfilt, iirnotch def bandpass(data, fs200, low1, high50, order4): b, a butter(order, [low/(fs/2), high/(fs/2)], btypeband) return filtfilt(b, a, data, axis-1) def notch(data, fs200, freq50, q30): b, a iirnotch(freq/(fs/2), q) return filtfilt(b, a, data, axis-1) eeg_clean notch(bandpass(eeg, fs200), fs200)逻辑说明filtfilt做零相位滤波避免相位偏移影响后续分段。参数fs必须和数据集实际采样率一致SEED 常见 200Hz也有 1000Hz 降采样版本填错会导致频段整体偏移。order4是经验值太高会振铃太低滚降不够。去噪后建议画一下功率谱确认 50Hz 是否压下去这一步是很多「玄学掉点」的根源。2.3 分段与基线处理SEED 每个 trial 通常有几十秒情绪标签在 trial 级别。常见做法是滑窗分段窗长 1-4 秒步长 0.5-2 秒。窗太短频域分辨率不够太长则样本少且情绪状态可能漂移。我一般用 2 秒窗、1 秒步长起步。def segment(eeg, label, fs200, win2, step1): win_pts win * fs step_pts step * fs segs, labels [], [] for start in range(0, eeg.shape[1] - win_pts, step_pts): seg eeg[:, start:startwin_pts] segs.append(seg) # 取窗内多数标签 labels.append(np.bincount(label[start:startwin_pts].astype(int)).argmax()) return np.stack(segs), np.array(labels) X, y segment(eeg_clean, label) print(X.shape, y.shape) # (N, 62, 400)逻辑说明np.bincount取窗内多数标签避免边界处标签抖动。参数win、step直接决定样本量和信息量建议做一组对比实验。注意基线有些流程会减去 trial 开始前的静息段均值这一步能去掉个体慢漂移但也会削弱某些低频情绪特征是否做要看你的验证结果。3. 特征提取与模型搭建DE、PSD 还是端到端3.1 手工特征DE 和 PSD 为什么常被选在 SEED 上差分熵DE是经典且强的特征尤其在 beta 和 gamma 频段对情绪区分明显。DE 本质是高斯假设下功率谱对数的线性变换计算稳定、维度低。PSD 也常用但维度更高。常见做法是分 5 个频段、62 通道算 DE得到 310 维特征再送 SVM 或浅层网络。from scipy.signal import welch def compute_de(seg, fs200, bandsNone): if bands is None: bands [(4,8),(8,13),(13,30),(30,45)] feats [] for low, high in bands: f, pxx welch(seg, fsfs, npersegseg.shape[-1]) mask (f low) (f high) # 高斯假设下 DE ≈ 0.5*log(2*pi*e*var)用功率近似 de 0.5 * np.log(2 * np.pi * np.e * (pxx[mask].mean() 1e-8)) feats.append(de) return np.array(feats) # (band, channel) # 对每个样本、每个通道算 def extract_de(X, fs200): out [] for seg in X: ch_feats [compute_de(seg[c], fs) for c in range(seg.shape[0])] out.append(np.stack(ch_feats, axis1)) # (band, channel) return np.array(out) F extract_de(X) print(F.shape) # (N, 4, 62)逻辑说明welch估功率谱1e-8防 log 零。参数bands可按需增删gamma 上限别超过滤波截止。DE 特征对窗长敏感2 秒窗是常见折中。算完建议做通道标准化否则不同被试幅值差异会让模型偏向高幅值被试。3.2 深度模型EEGNet 和 TSception 的取舍如果手工特征到瓶颈可以上深度模型。EEGNet 结构小、参数少适合样本有限的 SEEDTSception 用多尺度卷积抓时域和频域表现常更好但更吃数据。两者都要求输入是 (batch, channel, time)别把维度搞反。import torch import torch.nn as nn class EEGNet(nn.Module): def __init__(self, ch62, t400, n_cls3, F18, D2, F216): super().__init__() self.block1 nn.Sequential( nn.Conv2d(1, F1, (1, 64), padding(0, 32), biasFalse), nn.BatchNorm2d(F1), nn.Conv2d(F1, F1*D, (ch, 1), groupsF1, biasFalse), nn.BatchNorm2d(F1*D), nn.ELU(), nn.AvgPool2d((1, 4)), nn.Dropout(0.25), ) self.block2 nn.Sequential( nn.Conv2d(F1*D, F2, (1, 16), padding(0, 8), biasFalse), nn.BatchNorm2d(F2), nn.ELU(), nn.AvgPool2d((1, 8)), nn.Dropout(0.25), ) self.fc nn.Linear(F2 * (t // 32), n_cls) def forward(self, x): x x.unsqueeze(1) # (B,1,ch,t) x self.block1(x) x self.block2(x) x x.flatten(1) return self.fc(x) model EEGNet() print(sum(p.numel() for p in model.parameters()))逻辑说明第一个卷积抓时域第二个深度卷积抓空间groupsF1是深度可分离的关键。参数F1、D、F2控制容量SEED 上别一上来就调大容易过拟合。t//32要和你实际窗长对齐窗长变了这里必须改否则全连接维度报错。训练时用被试内划分别跨被试混否则准确率虚高。3.3 被试依赖的划分和评估SEED 上「高分」往往来自被试依赖设置同一被试的部分 trial 训练、部分测试。跨被试难度大得多准确率会明显下降。评估时用分层 K 折保证每类都有。from sklearn.model_selection import StratifiedKFold from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline Xf F.reshape(len(F), -1) skf StratifiedKFold(n_splits5, shuffleTrue, random_state42) accs [] for tr, te in skf.split(Xf, y): clf make_pipeline(StandardScaler(), SVC(kernelrbf, C1.0)) clf.fit(Xf[tr], y[tr]) accs.append(clf.score(Xf[te], y[te])) print(np.mean(accs), np.std(accs))逻辑说明StandardScaler必须在 pipeline 里避免测试集信息泄漏。C1.0是起点可用网格搜。报告结果时给均值和标准差只报最高一次是自欺欺人。这套基线在 SEED 被试依赖下通常能到 80% 以上深度模型可再往上但别信没有划分说明的「99%」。4. 避坑与排查SEED 情绪识别最常见的 5 个翻车点4.1 现象准确率异常高接近 100%原因标签泄漏。常见于先对整段数据做标准化或滤波再分段测试集信息渗进训练。也可能是滑窗重叠导致同一段同时出现在训练和测试。 解决所有预处理只在训练折上 fit测试折 transform分段后按 trial 划分别按窗随机分。4.2 现象换被试后准确率暴跌到随机水平原因跨被试分布差异大模型学到了被试特定模式而非情绪。也可能是通道顺序或采样率不一致。 解决明确你的任务是被试依赖还是跨被试。跨被试要加域适应或对齐别直接套被试依赖的结论。4.3 现象训练 loss 不降或震荡原因学习率过大、输入未标准化、标签未映射成连续整数。 解决先跑一个 batch 过拟合测试确认模型能记住小数据检查标签取值范围学习率从 1e-3 起调。4.4 现象DE 特征维度对不上或全为负原因功率谱估计窗长设置不当或nperseg大于信号长度log 里出现零或负数。 解决确保nperseg seg.shape[-1]加1e-8防零检查滤波后信号是否全零。4.5 现象GPU 上结果和 CPU 不一致原因非确定性算子、随机种子未固定、数据加载顺序不同。 解决固定torch.manual_seed、numpy.random.seed设torch.use_deterministic_algorithms(True)DataLoader 的shuffle在评估时关掉。5. 把源码跑成自己的验证技巧与可复用习惯拿到一份 SEED 情绪识别源码别急着改模型。我的习惯是先做三件事第一用极小数据一个被试一个 session跑通全流程确认没有维度错、路径错第二把预处理和分段参数做成配置跑一组对照看准确率对窗长、频段的敏感度第三固定随机种子记录每次实验的完整配置否则一周后你根本不知道哪次结果对应哪套参数。验证模型是否真的学到情绪而非伪影可以做一个简单实验把标签打乱重训如果准确率仍明显高于随机说明有泄漏或数据不平衡。另一个技巧是看混淆矩阵SEED 三类里中性和积极常混如果某类几乎全对先怀疑标签问题。进阶用法上可以试被试内微调先用其他被试预训练再在目标被试少量数据上微调兼顾泛化和个性化。也可以把 DE 特征和深度模型特征拼接做晚期融合通常比单一路线稳。参数上融合权重别拍脑袋用验证集搜。# 打乱标签的对照实验检验是否泄漏 y_shuffle np.random.permutation(y) clf make_pipeline(StandardScaler(), SVC()) clf.fit(Xf, y_shuffle) print(shuffled acc:, clf.score(Xf, y_shuffle))逻辑说明如果打乱标签后准确率仍高说明特征或划分有问题。正常应接近 1/3。这个对照花不了几分钟却能省掉很多后悔药。我踩过最深的坑是早期只看最高准确率没固定划分结果论文式复现时怎么都回不到那个数。后来养成习惯任何结果必须带划分方式和随机种子否则不认。希望帮到你。本文还有配套的精品资源点击获取