用什么网站推广比较大气的网站
Dataset
- 是否需要自己定义：如果你使用的数据集不是 PyTorch 提供的标准数据集（如 MNIST、CIFAR-10 等），那么你需要继承
torch.utils.data.Dataset类并实现两个方法：__len__()和__getitem__()。 __len__()应该返回数据集的总大小。__getitem__()应该根据索引返回一个数据样本。
DataLoader
- 是否需要自己定义：
DataLoader不需要自己定义，它是 PyTorch 提供的一个类，用于包装Dataset并在数据集上提供迭代功能。它支持批量处理、打乱数据、多线程加载等。 - 使用
DataLoader时，你可以指定批处理大小（batch_size）、是否打乱数据（shuffle）、数据加载的线程数（num_workers）等。
model定义【继承nn.module父类】
forward：input--forward-->output
forward(self,x)中x表示输入，即x->卷积->relu->卷积-->relu-->输出
class HeightPredictor(nn.Module):def __init__(self):super(HeightPredictor, self).__init__()self.conv1 = nn.Conv2d(1,20,5)self.conv2 = nn.Conv2d(20,20,5)def forward(self, x):x = F.relu(self.conv1(x))return F.relu(self.conv2(x))Dict
building_info = {}【dict,key--value】
这是一个字典（dictionary）的创建语句。在Python中，字典是一种可变的、无序的、键值对（key-value pairs）的集合。每个键（key）都是唯一的，且必须是不可变的类型（如字符串、数字或元组），而值（value）可以是任何类型的数据。字典通过键来访问对应的值，提供了快速查找和插入的能力。
特殊：defaultdict:defaultdict是Python标准库collections模块中的一个类。defaultdict与普通字典类似，但它在创建时提供了一个默认工厂函数【比如defaultdict(list)：当访问一个不存在的键时，defaultdict会自动为该键创建一个空列表作为默认值。】，当尝试访问一个不存在的键时，defaultdict会自动为该键创建一个默认值，而不会抛出KeyError。
整理csv
df = pd.read_csv(file_path, encoding="utf-8")#读取csv
#根据某个属性分组
area_bins = [0, 100, 200, 300, 400, np.inf]
area_labels = [f"{left}-{right}" if right != np.inf else f">{left}"
for left, right in zip(area_bins[:-1], area_bins[1:])]
df['area_bins'] = pd.cut(df['area'], bins=area_bins, labels=area_labels)
methods = ["a","b"]
attributes = ['material', 'height_bin']
for attr in attributes:
results = []
for method in methods:
Num_col = f"{method}_Num"
predict_col = f"{method}_predict"
if Num_col not in df.columns or predict_col not in df.columns:
print(f"跳过 {method}，缺少必要列")
continue
valid_data = df[['true_Num', Num_col, predict_col, attr]].dropna()
if valid_data.empty:
print(f"{method} 在属性 {attr} 下无有效数据")
continue
# 计算完整指标
grouped = valid_data.groupby(attr).apply(
lambda x: pd.Series({
'Ori_RMSE': np.sqrt(mean_squared_error(x['true_Num'], x[Num_col])),
'Pred_RMSE': np.sqrt(mean_squared_error(x['true_Num'], x[predict_col])),
'Ori_MAE': mean_absolute_error(x['true_Num'], x[Num_col]),
'Pred_MAE': mean_absolute_error(x['true_Num'], x[predict_col]),
'Group_Size': len(x),
'Sample_Optimized': np.sum(
np.abs(x[Num_col] - x['true_Num']) >
np.abs(x[predict_col] - x['true_height'])
)
})
).reset_index()
grouped['method'] = method
results.append(grouped)
if not results:
print(f"属性 {attr} 无数据，跳过")
continue
# 合并结果
combined_df = pd.concat(results, ignore_index=True)
# 生成透视表
pivot_df = combined_df.pivot(
index=attr,
columns='method',
values=['Ori_RMSE', 'Pred_RMSE', 'Ori_MAE', 'Pred_MAE']
)
# 扁平化列名并填充NaN
pivot_df.columns = [f"{method}_{metric}" for metric, method in pivot_df.columns]
pivot_df = pivot_df.fillna(0)
# 保存到CSV
csv_path = os.path.join(output_dir, f"{attr}.csv")
pivot_df.reset_index().to_csv(csv_path, index=False)
实现了分别对每个方法依据不同属性评估的功能