60天python训练营打卡day6

作业：去针对其他特征绘制单特征图和特征和标签的关系图，并且试图观察出一些有意思的结论。单特征可视化：连续变量箱线图（还说了核密度直方图）、离散特征直方图。（2）绘制特征和标签的关系图。箱线图美化--->直方图。特征和标签关系可视化。

●任务： 编写一个名为 describe_shape 的函数，该函数接收图形的名称 shape_name (必需)，一个可选的 color (默认 “black”)，以及任意数量的描述该图形尺寸的关键字参数 (例如 radius=5 对于圆，length=10, width=4 对于矩形)。●任务： 编写一个名为 print_user_info 的函数，该函数接收一个必需的参数 user_id，以及任意数量的额外用户信息（作为关键字参数）。3.函数的参数类型：位置参数、默认参数、不定参数。

print(f"周长：{circle.calculate_circumference()}") # 输出：周长：31.42（保留两位小数）print(f"面积：{circle.calculate_area()}”) # 输出：面积：78.54（保留两位小数）print(f"长：{rect.length}, 宽：{rect.width}“) # 输出：长：4, 宽：6。print(f"是否为正方形：{rect.is_square()}”) # 输出：是否为正方形：False。

1.创建一个包含三个字符串元素的列表 tech_list，元素分别为 “Python”, “Java”, “Go”。4.修改 tech_list 中的第二个元素（索引为 1），将其从 “Java” 更改为 “Ruby”。1.定义一个包含整数的列表 scores，赋值为 [85, 92, 78, 65, 95, 88]。6.计算当前 tech_list 的长度，并将结果存储在变量 current_length 中。2.获取列表中的第一个元素，并将其存储在变量 first_tech 中。

DAY 22 复习日。

创建一个包含三个字符串元素的列表 tech_list，元素分别为 “Python”, “Java”, “Go”。学会了列表增删查改的基础操作，for循环语句的书写，if-elif-else语句的书写。修改 tech_list 中的第二个元素（索引为 1），将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores，赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度，并将结果存储在变量 current_length 中。

作业：day43的时候我们安排大家对自己找的数据集用简单cnn训练，现在可以尝试下借助这几天的知识来实现精度的进一步提高。DAY 51 复习日。

题目: 定义两个整数变量，score_a 赋值为 75，score_b 赋值为 90。比较 score_a 是否大于 score_b，将比较结果（布尔值）存储在变量 is_a_higher 中；比较 score_a 是否小于等于 score_b，将结果存储在变量 is_a_lower_or_equal 中；比较 score_a 是否不等于 score_b，将结果存储在变量 is_different 中。题目: 定义两个字符串变量，str1 赋值为 “Hello”，str2 赋值为 “Python”。

对于任何矩阵（如结构化数据可以变为：样本*特征的矩阵，图像数据天然就是矩阵），均可做等价的奇异值SVD分解，对于分解后的矩阵，可以选取保留前K个奇异值及其对应的奇异向量，重构原始矩阵，可以通过计算Frobenius 范数相对误差来衡量原始矩阵和重构矩阵的差异。应用：结构化数据中，将原来的m个特征降维成k个新的特征，新特征是原始特征的线性组合，捕捉了数据的主要方差信息，降维后的数据可以直接用于机器学习模型（如分类、回归），通常能提高计算效率并减少过拟合风险。c.降噪：通常噪声对应较小的奇异值。

发现自身问题在于pandas库的不熟悉，对其数据类型不理解，方法不掌握。现在在py文件中 一次性处理data数据中所有的连续变量和离散变量。但内容十分重要要多加复习，增强自己的数据处理能力！先按照示例代码过一遍，然后完成下列题目。代码见day5.ipynb。题目：离散特征的独热编码。DAY 5 独热编码。内容过多不一一截图了。

高于35度：打印"红色预警：高温天气！- 28-35度：打印"黄色预警：天气炎热"- 20-27度：打印"绿色提示：适宜温度"- 低于20度：打印"蓝色预警：注意保暖"获取列表中的第一个元素，并将其存储在变量。创建一个包含三个字符串元素的列表。经过所有操作后，列表最终的内容。的末尾添加一个新的字符串元素。4. 测试用例：用38你的代码。的长度，并将结果存储在变量。用于累加所有分数，初始值为。所有分数的平均分（结果包含。获取到的第一个技术名称。（总分除以分数的个数）。中的第二个元素（索引为。

DAY 42 Grad-CAM与Hook函数。3.hook函数的模块钩子和张量钩子。4.Grad-CAM的示例。作业：理解下今天的代码即可。2.lambda函数。

1.三种不同的模型可视化方法：推荐torchinfo打印summary+权重分布可视化。2.进度条功能：手动和自动写法，让打印结果更加美观。作业：调整模型定义时的超参数，对比下效果。DAY 35 模型可视化与推理。3.推理的写法：评估模式。

3.实际上对目前的ai而言，你只需要先完成最简单的demo，然后让他给你加上tensorboard需要打印的部分即可。1.tensorboard和torch版本存在一定的不兼容性，如果报错请新建环境尝试。启动tensorboard的时候需要先在cmd中进入对应的环境，conda activate xxx，再用cd命令进入环境（如果本来就是正确的则无需操作）。2.tensorboard的代码还有有一定的记忆量，实际上深度学习的经典代码都是类似于八股文，看多了就习惯了，难度远远小于考研数学等需要思考的内容。

编写一个装饰器 logger，在函数执行前后打印日志信息（如函数名、参数、返回值）本期内容如果无法理解，可以参考如下视频教学。ps：第一期day27对应5月16日。DAY 27 函数专题2：装饰器。1.装饰器的思想：进一步复用。3.注意内部函数的返回值。2.函数的装饰器写法。

昨天代码中注意力热图的部分顺移至今天。DAY 47 注意力热图可视化。

作业：对于day’41的简单cnn，看看是否可以借助调参指南进一步提高精度。DAY 52 神经网络调参指南。c.各部分参数的调整心得。3.神经网络调参指南。

作业：对信贷数据集训练后保存权重，加载权重后继续训练50轮，并采取早停策略。c.保存全部信息checkpoint，还包含训练状态。1.过拟合的判断：测试集和训练集同步打印指标。DAY 37 早停策略和模型权重的保存。2.模型的保存和加载。

本文总结了Python中六种主流的图片压缩方法：1）Pillow作为通用首选，支持质量调整、尺寸缩放和格式转换；2）TinyPNG API提供最高压缩率但有限额；3）WebP格式在保持画质下体积最小；4）PyVips适合大图处理，内存占用低；5）OpenCV针对视频帧和实时流优化；6）K-means聚类实现算法级色彩压缩。文章通过对比表格和决策树，建议根据场景需求选择工具，日常使用Pillow即可满足大多数需求，并附赠了一个可直接使用的批量压缩脚本。