手把手教寫出XGBoost實戰程式

香橙雲子發表於2017-11-29

簡單介紹：

這是一個真實的比賽。賽題來源是天池大資料的 "商場中精確定位使用者所在店鋪"。原資料有114萬條，計算起來非常困難。為了讓初學者有一個更好的學習體驗，也更加基礎，我將資料集縮小了之後放在這裡，密碼：ndfd。供大家下載。

在我的資料中，資料是這樣子的： train.csv

user_id	使用者的id	time_stamp	時間戳
latitude	緯度	wifi_strong 1-10	十個wifi的訊號強度
longitude	經度	wifi_id 1-10	十個wifi的id
shop_id	商店的id	con_sta 1-10	十個wifi連線狀態

test.csv

user_id	使用者的id	time_stamp	時間戳
latitude	緯度	wifi_id 1-10	十個wifi的id
longitude	經度	con_sta 1-10	十個wifi連線狀態
row_id	行標	wifi_strong 1-10	十個wifi的訊號強度
shop_id	商店的id

這個題目的意思是，我們在商場中，由於不同層數和GPS精度限制，我們並不能僅根據經緯度準確知道某使用者具體在哪一家商店中。我們通過手機與附近10個wifi點的連線情況，來精準判斷出使用者在哪個商店中。方便公司根據使用者的位置投放相應店家的廣告。

開始實戰

準備實戰之前，當然要對整個XGBoost有一個基本瞭解，對這個模型不太熟悉的朋友，建議看我之前的文章《XGBoost》。

實戰的流程一般是先將資料預處理，成為我們模型可處理的資料，包括丟失值處理，資料拆解，型別轉換等等。然後將其匯入模型執行，最後根據結果正確率調整引數，反覆調引數達到最優。

我們在機器學習實戰的時候一定要脫離一個思維慣性————一切都得我們思考周全才可以執行。這是一個很有趣的思維慣性，怎麼解釋呢？比如這道賽題，我也是學通訊出身的，看到十個wifi強度值，就想找這中間的關係，然後程式設計來求解人的確切位置。這本質上還是我們的思維停留在顯式程式設計的層面上，覺得程式只有寫清楚才可達到預定的目標。但其實大資料處理並不是這個原理。決策樹不管遇到什麼資料，無論是時間還是地理位置，都是一樣的按照一定規則生成樹，最後讓新資料按照這個樹走一遍得到預測的結果。也就是說我們不必花很多精力去考慮每個資料的具體物理意義，只要把他們放進模型裡面就可以了。(調參需要簡單地考慮物理意義來給各個資料以權重，這個以後再說)

分析一下資料

我們的資料的意義都在上面那張表裡面，我們有使用者的id、經緯度、時間戳、商店id、wifi資訊。我們簡單思考可以知道：

user_id並沒有什麼實際意義，僅僅是一個代號而已
shop_id是我們預測的目標，我們題目要求就是我們根據其他資訊來預測出使用者所在的shop_id,所以 shop_id 是我們的訓練目標
經緯度跟我們的位置有關，是有用的資訊
wifi_id 讓我們知道是哪個路由器，這個不同的路由器位置不一樣，所以有用
wifi_strong是訊號強度，跟我們離路由器距離有關，有用
con_sta是連線狀態，也就是有沒有連上。本來我看資料中基本都是沒連上，以為沒有用。後來得高人提醒，說如果有人自動連上某商店wifi，不是可以說明他常來麼，這個對於判斷顧客也是有一點用的。
我們看test.csv總體差不多，就多了個row_id,我們輸出結果要注意對應上就可以

python庫準備

import pandas as pd
import xgboost as xgb
from sklearn import preprocessing
複製程式碼

我們這個XGBoost比較簡單，所以就使用了最必要的三個庫，pandas資料處理庫，xgboost庫，從大名鼎鼎的機器學習庫sklearn中匯入了preprocessing庫，這個pandas庫對資料的基本處理有很多封裝函式，用起來比較順手。想看例子的戳這個連結，我寫的pandas.Dataframe基本拆解資料的方法。

先進行資料預處理

我們得先匯入一份資料：

train = pd.read_csv(r'D:\XGBoost_learn\mall_location\train2.csv')
tests = pd.read_csv(r'D:\XGBoost_learn\mall_location\test_pre.csv')
複製程式碼

我們使用pandas裡面的read_csv函式直接讀取csv檔案。csv檔案全名是Comma-Separated Values檔案，就是每個資料之間都以逗號隔開，比較簡潔，也是各個資料比賽常用的格式。我們需要注意的是路徑問題，windows下是\,linux下是/，這個有區別。並且我們寫的路徑經常會與庫裡的函式欄位重合，所以在路徑最前加一個r來禁止與庫裡匹配，重合報錯。r是raw的意思，生的，大家根據名字自行理解一下。

我們的time_stamp原來是一個str型別的資料，計算機是不會知道它是什麼東西的，只知道是一串字串。所以我們進行轉化成datetime處理：

train['time_stamp'] = pd.to_datetime(pd.Series(train['time_stamp']))
tests['time_stamp'] = pd.to_datetime(pd.Series(tests['time_stamp']))
複製程式碼

train和tests都要處理。這也體現了pandas的強大。接下來我們看time_stamp資料的樣子：2017/8/6 21:20，看資料集可知，是一個十分鐘為精確度(粒度)的資料，感覺這個資料包含太多資訊了呢，放一起很浪費(其實是容易過擬合，因為一個結點會被分的很細)，我們就將其拆開吧：

train['Year'] = train['time_stamp'].apply(lambda x: x.year)
train['Month'] = train['time_stamp'].apply(lambda x: x.month)
train['weekday'] = train['time_stamp'].dt.dayofweek
train['time'] = train['time_stamp'].dt.time
tests['Year'] = tests['time_stamp'].apply(lambda x: x.year)
tests['Month'] = tests['time_stamp'].apply(lambda x: x.month)
tests['weekday'] = tests['time_stamp'].dt.dayofweek
tests['time'] = tests['time_stamp'].dt.time
複製程式碼

細心的朋友可能會發現，這裡採用了兩種寫法，一種是.apply(lambda x: x.year)，這是什麼意思呢？這其實是採用了一種叫匿名函式的寫法.匿名函式就是我們相要寫一個函式，但並不想費神去思考這個函式該如何命名，這時候我們就需要一個匿名函式，來實現一些小功能。我們這裡採用的是.apply(lambda x: x.year)實際上是呼叫了apply函式，是加這一列的意思，加的列的內容就是x.year。我們要是覺得這樣寫不直觀的話，也可以這樣寫：

YearApply(x)：
   return x.year
   
train['Year'] = train['time_stamp'].apply(YearApply)
複製程式碼

這兩種寫法意義都是一樣的。在呼叫weekday和datetime的時候，我們使用的是numpy裡面的函式dt，用法如程式碼所示。其實這weekday也可以這樣寫： train['weekday'] = train['time_stamp'].apply(lambda x: x.weekday())，注意多了個括號，因為weekday需要計算一下才可以得到，所以還呼叫了一下內部的函式。為什麼採用weekday呢，因為星期幾比幾號對於購物來說更加有特徵性。接下來我們將這個time_stamp丟掉，因為已經有了year、month那些：

train = train.drop('time_stamp', axis=1)
tests = tests.drop('time_stamp', axis=1)
複製程式碼

再丟掉缺失值，或者補上缺失值。

train = train.dropna(axis=0)
tests = tests.fillna(method='pad')
複製程式碼

我們看到我對訓練集和測試集做了兩種不同方式的處理。訓練集資料比較多，而且缺失值比例比較少，於是就將所有缺失值使用dropna函式，tests檔案因為是測試集，不能丟失一個資訊，哪怕資料很多缺失值很少，所以我們用各種方法來補上，這裡採用前一個非nan值補充的方式（method=“pad”），當然也有其他方式，比如用這一列出現頻率最高的值來補充。

class DataFrameImputer(TransformerMixin):
   def fit(self, X, y=None):
       for c in X:
           if X[c].dtype == np.dtype('O'):
               fill_number = X[c].value_counts().index[0]
               self.fill = pd.Series(fill_number, index=X.columns)
           else:
               fill_number = X[c].median()
               self.fill = pd.Series(fill_number, index=X.columns)
       return self
       
       def transform(self, X, y=None):
           return X.fillna(self.fill)
       
train = DataFrameImputer().fit_transform(train)
複製程式碼

這一段程式碼有一點拗口，意思是對於X中的每一個c，如果X[c]的型別是object（‘O’表示object）的話就將[X[c].value_counts().index[0]傳給空值，[X[c].value_counts().index[0]表示的是重複出現最多的那個數，如果不是object型別的話，就傳回去X[c].median()，也就是這些數的中位數。

在這裡我們可以使用print來輸出一下我們的資料是什麼樣子的。

print(train.info())
複製程式碼

<class 'pandas.core.frame.DataFrame' at 0x0000024527C50D08>
Int64Index: 467 entries, 0 to 499
Data columns (total 38 columns):
user_id          467 non-null object
shop_id          467 non-null object
longitude        467 non-null float64
latitude         467 non-null float64
wifi_id1         467 non-null object
wifi_strong1     467 non-null int64
con_sta1         467 non-null bool
wifi_id2         467 non-null object
wifi_strong2     467 non-null int64
con_sta2         467 non-null object
wifi_id3         467 non-null object
wifi_strong3     467 non-null float64
con_sta3         467 non-null object
wifi_id4         467 non-null object
wifi_strong4     467 non-null float64
con_sta4         467 non-null object
wifi_id5         467 non-null object
wifi_strong5     467 non-null float64
con_sta5         467 non-null object
wifi_id6         467 non-null object
wifi_strong6     467 non-null float64
con_sta6         467 non-null object
wifi_id7         467 non-null object
wifi_strong7     467 non-null float64
con_sta7         467 non-null object
wifi_id8         467 non-null object
wifi_strong8     467 non-null float64
con_sta8         467 non-null object
wifi_id9         467 non-null object
wifi_strong9     467 non-null float64
con_sta9         467 non-null object
wifi_id10        467 non-null object
wifi_strong10    467 non-null float64
con_sta10        467 non-null object
Year             467 non-null int64
Month            467 non-null int64
weekday          467 non-null int64
time             467 non-null object
dtypes: bool(1), float64(10), int64(5), object(22)
memory usage: 139.1+ KB
None
複製程式碼

我們可以清晰地看出我們程式碼的結構，有多少列，每一列下有多少個值等等，有沒有空值我們可以根據值的數量來判斷。我們在缺失值處理之前加入這個print(train.info())就會得到：

<class 'pandas.core.frame.DataFrame' at 0x000001ECFA6D6718>
RangeIndex: 500 entries, 0 to 499
複製程式碼

這裡面就有500個值，處理後就只剩467個值了，可見丟棄了不少。同樣的我們也可以將test的資訊輸出一下：

<class 'pandas.core.frame.DataFrame' at 0x0000019E13A96F48>
RangeIndex: 500 entries, 0 to 499
複製程式碼

500個值一個沒少。都給補上了。這裡我只取了輸出資訊的標題，沒有全貼過來，因為全資訊篇幅很長。我們注意到這個資料中有bool、float、int、object四種型別，我們XGBoost是一種迴歸樹，只能處理數字類的資料，所以我們要轉化。對於那些字串型別的資料我們該如何處理呢？我們採用LabelEncoder方法：

for f in train.columns:
    if train[f].dtype=='object':
        if f != 'shop_id':
            print(f)
            lbl = preprocessing.LabelEncoder()
            train[f] = lbl.fit_transform(list(train[f].values))
for f in tests.columns:
    if tests[f].dtype == 'object':
        print(f)
        lbl = preprocessing.LabelEncoder()
        tests[f] = lbl.fit_transform(list(tests[f].values))
複製程式碼

這段程式碼的意思是呼叫sklearn中preprocessing裡面的LabelEncoder方法，對資料進行標籤編碼，作用主要就是使其變成數字類資料，有的進行歸一化處理，使其執行更快等等。我們看這段程式碼，lbl只是LabelEncoder的簡寫，lbl = preprocessing.LabelEncoder()，這段程式碼只有一個代換顯得一行不那麼長而已，沒有實際執行什麼。第二句lbl.fit_transform(list(train[f].values))是將train裡面的每一個值進行編碼，我們在其前後輸出一下train[f].values就可以看出來：

print(train[f].values)
train[f] = lbl.fit_transform(list(train[f].values))
print(train[f].values)
複製程式碼

我加上那一串0和/的目的是分隔開輸出資料。我們得到：

user_id
['u_376' 'u_376' 'u_1041' 'u_1158' 'u_1654' 'u_2733' 'u_2848' 'u_3063'
 'u_3063' 'u_3063' 'u_3604' 'u_4250' 'u_4508' 'u_5026' 'u_5488' 'u_5488'
 'u_5602' 'u_5602' 'u_5602' 'u_5870' 'u_6429' 'u_6429' 'u_6870' 'u_6910'
 'u_7037' 'u_7079' 'u_7869' 'u_8045' 'u_8209']
[ 7  7  0  1  2  3  4  5  5  5  6  8  9 10 11 11 12 12 12 13 14 14 15 16 17
 18 19 20 21]
複製程式碼

我們可以看出，LabelEncoder將我們的str型別的資料轉換成數字了。按照它自己的一套標準。對於tests資料，我們可以看到，我單獨將shop_id給避開了。這樣處理的原因就是shop_id是我們要提交的資料，不能有任何編碼行為，一定要保持這種str狀態。

接下來需要將train和tests轉化成matrix型別，方便XGBoost運算：

feature_columns_to_use = ['Year', 'Month', 'weekday',
'time', 'longitude', 'latitude',
'wifi_id1', 'wifi_strong1', 'con_sta1',
 'wifi_id2', 'wifi_strong2', 'con_sta2',
'wifi_id3', 'wifi_strong3', 'con_sta3',
'wifi_id4', 'wifi_strong4', 'con_sta4',
'wifi_id5', 'wifi_strong5', 'con_sta5',
'wifi_id6', 'wifi_strong6', 'con_sta6',
'wifi_id7', 'wifi_strong7', 'con_sta7',
'wifi_id8', 'wifi_strong8', 'con_sta8',
'wifi_id9', 'wifi_strong9', 'con_sta9',
'wifi_id10', 'wifi_strong10', 'con_sta10',]
train_for_matrix = train[feature_columns_to_use]
test_for_matrix = tests[feature_columns_to_use]
train_X = train_for_matrix.as_matrix()
test_X = test_for_matrix.as_matrix()
train_y = train['shop_id']
複製程式碼

待訓練目標是我們的shop_id,所以train_y是shop_id。

匯入模型生成決策樹

gbm = xgb.XGBClassifier(silent=1, max_depth=10, n_estimators=1000, learning_rate=0.05)
gbm.fit(train_X, train_y)
複製程式碼

這兩句其實可以合併成一句，我們也就是在XGBClassifier裡面設定好引數，其所有引數以及其預設值(預設值)我寫在這,內容來自XGBoost原始碼：

max_depth=3, 這代表的是樹的最大深度，預設值為三層。max_depth越大，模型會學到更具體更區域性的樣本。

learning_rate=0.1,學習率，也就是梯度提升中乘以的係數，越小，使得下降越慢，但也是下降的越精確。

n_estimators=100,也就是弱學習器的最大迭代次數，或者說最大的弱學習器的個數。一般來說n_estimators太小，容易欠擬合，n_estimators太大，計算量會太大，並且n_estimators到一定的數量後，再增大n_estimators獲得的模型提升會很小，所以一般選擇一個適中的數值。預設是100。

silent=True,是我們訓練xgboost樹的時候後臺要不要輸出資訊，True代表將生成樹的資訊都輸出。

objective="binary:logistic",這個引數定義需要被最小化的損失函式。最常用的值有：

binary:logistic 二分類的邏輯迴歸，返回預測的概率(不是類別)。

multi:softmax 使用softmax的多分類器，返回預測的類別(不是概率)。在這種情況下，你還需要多設一個引數：num_class(類別數目)。

multi:softprob和multi:softmax引數一樣，但是返回的是每個資料屬於各個類別的概率。

nthread=-1, 多執行緒控制，根據自己電腦核心設，想用幾個執行緒就可以設定幾個，如果你想用全部核心，就不要設定，演算法會自動識別

`gamma=0,在節點分裂時，只有分裂後損失函式的值下降了，才會分裂這個節點。Gamma指定了節點分裂所需的最小損失函式下降值。這個引數的值越大，演算法越保守。這個引數的值和損失函式息息相關，所以是需要調整的。

min_child_weight=1,決定最小葉子節點樣本權重和。和GBM的 min_child_leaf 引數類似，但不完全一樣。XGBoost的這個引數是最小樣本權重的和，而GBM引數是最小樣本總數。這個引數用於避免過擬合。當它的值較大時，可以避免模型學習到區域性的特殊樣本。但是如果這個值過高，會導致欠擬合。這個引數需要使用CV來調整

max_delta_step=0, 決定最小葉子節點樣本權重和。和GBM的 min_child_leaf 引數類似，但不完全一樣。XGBoost的這個引數是最小樣本權重的和，而GBM引數是最小樣本總數。這個引數用於避免過擬合。當它的值較大時，可以避免模型學習到區域性的特殊樣本。但是如果這個值過高，會導致欠擬合。這個引數需要使用CV來調整。

subsample=1, 和GBM中的subsample引數一模一樣。這個引數控制對於每棵樹，隨機取樣的比例。減小這個引數的值，演算法會更加保守，避免過擬合。但是，如果這個值設定得過小，它可能會導致欠擬合。典型值：0.5-1

colsample_bytree=1, 用來控制每棵隨機取樣的列數的佔比(每一列是一個特徵)。典型值：0.5-1

colsample_bylevel=1,用來控制樹的每一級的每一次分裂，對列數的取樣的佔比。其實subsample引數和colsample_bytree引數可以起到相似的作用。

reg_alpha=0,權重的L1正則化項。(和Lasso regression類似)。可以應用在很高維度的情況下，使得演算法的速度更快。

reg_lambda=1, 權重的L2正則化項這個引數是用來控制XGBoost的正則化部分的。這個引數越大就越可以懲罰樹的複雜度

scale_pos_weight=1,在各類別樣本十分不平衡時，把這個引數設定為一個正值，可以使

base_score=0.5, 所有例項的初始化預測分數，全域性偏置；為了足夠的迭代次數，改變這個值將不會有太大的影響。

seed=0, 隨機數的種子設定它可以復現隨機資料的結果，也可以用於調整引數

資料通過樹生成預測結果

predictions = gbm.predict(test_X)
複製程式碼

將tests裡面的資料通過這生成好的模型，得出預測結果。

submission = pd.DataFrame({'row_id': tests['row_id'],
                            'shop_id': predictions})
print(submission)
submission.to_csv("submission.csv", index=False)
複製程式碼

將預測結果寫入到csv檔案裡。我們注意寫入檔案的格式，row_id在前，shop_id在後。index=False的意思是不寫入行的名稱。改成True就把每一行的行標也寫入了。

附錄

參考資料

機器學習系列(12)_XGBoost引數調優完全指南（附Python程式碼）http://blog.csdn.net/han_xiaoyang/article/details/52665396
Kaggle比賽：泰坦尼克之災： https://www.kaggle.com/c/titanic

完整程式碼

import pandas as pd
import xgboost as xgb
from sklearn import preprocessing


train = pd.read_csv(r'D:\mall_location\train.csv')
tests = pd.read_csv(r'D:\mall_location\test.csv')

train['time_stamp'] = pd.to_datetime(pd.Series(train['time_stamp']))
tests['time_stamp'] = pd.to_datetime(pd.Series(tests['time_stamp']))

print(train.info())

train['Year'] = train['time_stamp'].apply(lambda x:x.year)
train['Month'] = train['time_stamp'].apply(lambda x: x.month)
train['weekday'] = train['time_stamp'].apply(lambda x: x.weekday())
train['time'] = train['time_stamp'].dt.time
tests['Year'] = tests['time_stamp'].apply(lambda x: x.year)
tests['Month'] = tests['time_stamp'].apply(lambda x: x.month)
tests['weekday'] = tests['time_stamp'].dt.dayofweek
tests['time'] = tests['time_stamp'].dt.time
train = train.drop('time_stamp', axis=1)
train = train.dropna(axis=0)
tests = tests.drop('time_stamp', axis=1)
tests = tests.fillna(method='pad')
for f in train.columns:
    if train[f].dtype=='object':
        if f != 'shop_id':
            print(f)
            lbl = preprocessing.LabelEncoder()
            train[f] = lbl.fit_transform(list(train[f].values))
for f in tests.columns:
    if tests[f].dtype == 'object':
        print(f)
        lbl = preprocessing.LabelEncoder()
        lbl.fit(list(tests[f].values))
        tests[f] = lbl.transform(list(tests[f].values))


feature_columns_to_use = ['Year', 'Month', 'weekday',
'time', 'longitude', 'latitude',
'wifi_id1', 'wifi_strong1', 'con_sta1',
 'wifi_id2', 'wifi_strong2', 'con_sta2',
'wifi_id3', 'wifi_strong3', 'con_sta3',
'wifi_id4', 'wifi_strong4', 'con_sta4',
'wifi_id5', 'wifi_strong5', 'con_sta5',
'wifi_id6', 'wifi_strong6', 'con_sta6',
'wifi_id7', 'wifi_strong7', 'con_sta7',
'wifi_id8', 'wifi_strong8', 'con_sta8',
'wifi_id9', 'wifi_strong9', 'con_sta9',
'wifi_id10', 'wifi_strong10', 'con_sta10',]

big_train = train[feature_columns_to_use]
big_test = tests[feature_columns_to_use]
train_X = big_train.as_matrix()
test_X = big_test.as_matrix()
train_y = train['shop_id']

gbm = xgb.XGBClassifier(silent=1, max_depth=10,
                    n_estimators=1000, learning_rate=0.05)
gbm.fit(train_X, train_y)
predictions = gbm.predict(test_X)

submission = pd.DataFrame({'row_id': tests['row_id'],
                            'shop_id': predictions})
print(submission)
submission.to_csv("submission.csv",index=False)
複製程式碼

從 demo 到生產 - 手把手寫出實戰需求的 Flink 廣播程式
2021-05-18
手把手教，手寫AVL樹
2019-06-11
Flutter實戰：手把手教你寫Flutter Plugin
2018-09-20
FlutterPlugin
手把手教寫 TypeScript Transformer Plugin
2017-11-14
TypeScriptORMPlugin
【基礎】效能測試，從0到實戰（手把手教，非常實用）
2022-02-20
手把手教你寫蛇蛇大作戰
2018-09-26
Vite 實戰：手把手教你寫一個 Vite 外掛
2022-03-16
Vite
Python零基礎爬蟲教學（實戰案例手把手Python爬蟲教學）
2020-04-17
Python爬蟲
kafka實戰教學
2018-03-26
Kafka
uni-app小程式手把手專案實戰
2019-11-18
APP
手把手教你寫網路爬蟲（5）：PhantomJS實戰
2018-05-06
爬蟲JS
shell程式設計，實戰高階進階教學
2020-11-25
程式設計
嘿，程式設計師！手把手教你寫出智慧合約”Hello,World”
2018-04-19
程式設計師
【機器學習】--xgboost初始之程式碼實現分類
2018-06-18
機器學習
手把手實戰react + storybook元件庫
2018-05-22
React元件
程式設計師和女孩子吃飯指南（實戰教學）
2021-04-06
程式設計師
手把手教系列之移動平均濾波器實現
2020-05-17
《EJB實用原理和實戰示例》中的實戰示例問題請教
2004-04-07
實戰四：手把手教你實現數字識別
2019-04-10
30分鐘手把手教你學webpack實戰
2015-09-08
Web
Docker實戰-編寫Dockerfile
2018-07-31
Docker
手把手教你寫電商爬蟲(2):實戰尚妝網分頁商品採集爬蟲
2016-08-01
爬蟲
痛入爽出 HTTP/2：程式碼實戰1
2019-03-03
HTTP
痛入爽出 HTTP/2：程式碼實戰2
2017-12-12
HTTP
Java併發程式設計實戰--this引用逸出
2017-06-04
Java程式設計
《通過遊戲程式設計實戰教新手學C++程式設計》學習筆記
2012-10-03
遊戲程式設計C++筆記
手把手教你如何寫事件處理的程式碼
2019-09-02
事件
Linux效能優化實戰課程教學
2018-12-21
Linux優化
Nginx實戰（二） URL重寫
2016-10-18
Nginx
寫在《機器學習實戰》上市之前
2013-05-20
機器學習
手把手教你寫VueRouter
2020-08-18
Vue
手把手教學,如何使用低程式碼快速構建應用程式步驟詳解！
2021-03-04
手把手教你寫一個微信小程式日曆元件
2019-05-02
微信小程式元件
手把手教學，用jQuery Mobile建立Web App
2013-10-12
jQueryWebAPP
手把手教你做一個超寫實爆炸特效
2019-05-30
特效
手把手教你給偶像刷票。偶像來了？程式設計師來了！Charles實戰
2018-11-08
程式設計師
深入淺出圖神經網路 GCN程式碼實戰
2021-07-14
神經網路GC
靶場專案編寫實戰
2023-02-24