积少成多

第一步：在cmd里新建虚拟环境，shap38是新建的虚拟环境的名字 ，python=3.x。第4步，打开jupyter，就可以看见内核啦。

【代码】课程设计总结：趣味互动功能实现。

【代码】【3】Kaggle:狗的种类识别（VGG(11)/ResNet(18)/SENet 结构训练模型及测试完整代码）

卷积层使用3x3的卷积核，生成不同数量的特征图（64、128、256、512）。Squeeze 操作：通过全局平均池化将输入的特征图在通道维度上进行压缩，得到一个通道维度上的全局特征，提取通道间的全局信息。这个通道注意力向量通过 Sigmoid 函数进行激活，用于对输入的特征图进行通道级别的缩放，使得重要的通道得到更多的权重，从而增强重要通道的表示能力。VGG11网络的结构比较简单和规律，卷积层和全连接层都使用了相同的卷积核大小和滤波器数量，即3x3的卷积核和64、128、256、512、512个滤波器。

使用预训练的VGG（11）模型，定义了一个新的输出网络替换原始的输出层，包含两个线性层和ReLU激活函数，最后输出120个类别的预测值。使用交叉熵损失来计算损失，设置了reduction=‘none’，表示不进行损失的降维处理。定义了一个函数evaluate_loss(data_iter, net, devices)，该函数计算给定数据迭代器中的数据在网络net上的损失。在计算损失之前，首先将输入数据转移到指定的计算设备上（CPU或GPU），然后通过网络得到预测值outputs，并计算损失l。

前提回顾：问题(1) 采用合理的分类模型，采用如逻辑回归、K 近邻、决策树、朴素贝叶斯、支持向量机等，建立该问题的分类预测模型，通过评价指标说明建立的模型优劣;(2) 将上问题中关于客户汽车满意度原始数据集的标签去除，进行聚类分析，采用如：K-Means 聚类、MeanShift 聚类、层次聚类、DBSCAN 等聚类模型，采用合理的模型和参数获得聚类结果，通过评价指标说明建立的模型优劣，并将聚类结果与原来的分类结果进行比较。

现有一份汽车满意度数据集 Car Evaluation，共 1728 个样本。预测目标为客户的汽车满意度 car_acceptability：(1) 采用合理的分类模型，采用如逻辑回归、K 近邻、决策树、朴素贝叶斯、支持向量机等，建立该问题的分类预测模型，通过评价指标说明建立的模型优劣;

搭建一个可以运行在不同优化器模式下的 3 层神经网络模型（网络层节点数 目分别为：5,2,1），对“月亮”数据集进行分类。

python转换日期

对比处理两个不同的excel

计算重复次数 并每一行都标记

一定有你会用到的

多值替换为同一值

提取列最大与最小日期，并计算相差月份N