改用FNN神经网络实现

如果要用全连接神经网络（Fully Connected Neural Network, FNN）替换之前提到的LSTM网络来实现情绪分类，你可以这样做：

from tensorflow.keras.layers import Flatten

# 将二维输入数据展平成一维，适合于FNN
def flatten_data(X):
    return X.reshape(-1, np.prod(X.shape[1:]))

# 创建一个简单的FNN模型
model_fnn = Sequential()
model_fnn.add(Flatten(input_shape=X.shape[1:])) # 输入层形状与LSTM相同
model_fnn.add(Dense(128, activation='relu'))
model_fnn.add(Dropout(0.2)) # 防止过拟合
model_fnn.add(Dense(64, activation='relu'))
model_fnn.add(Dropout(0.2))
model_fnn.add(Dense(4, activation='softmax')) # 依然保持四个输出节点，代表四种情绪

# 编译模型
model_fnn.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 训练模型
history_fnn = model_fnn.fit(flatten_data(X_train), y_train, epochs=50, validation_data=(flatten_data(X_test), y_test))

# 评估和预测同上

在这个版本中，我们使用了Flatten层将LSTM输出的三维张量转换为一维数组，然后添加几个密集（fully connected）层，每个层之间加入dropout防止过拟合。最后同样是用`softmax`激活函数输出四种可能的情绪类别。