2015-2023年我国地级市逐月房价数据（Excel格式、Shp格式）
该数据集包含2015-2023年中国地级市的逐月房价数据，以Excel和Shp格式提供。数据显示，2023年全国地级市平均房价呈下降趋势，但不同城市之间存在差异。需要注意的是，数据真实性有待考证，部分城市数据缺失较多。
世界上最大的免费下载电子书的网站——安娜的档案
📚 人类历史上最大的完全开放的图书馆。 ⭐️ 我们建立了 Sci-Hub 和 LibGen的镜像站。 我们数据抓取并开源了Z-Lib、 读秀、 等。 📈 37,666,367 本图书、105,835,081 篇论文被永久保存。 我们所有的代码和数据都是完全开源的。
Part4-2.对建筑年代预测结果进行展示和分析
本文为首先会通过对测试数据集的预测来展示模型的预测能力，其中，我们会介绍对模型进行评估的几种方法，包括混淆矩阵、召回率 (Recall)、精确度 (Precision)、F1分数 (F1 Score)，然后，我们会利用类激活映射（Class Activation Mapping，简称 CAM）查看模型关注哪些方面，最后从空间上观察建筑年代的预测结果在空间上的表现。
Part4-1.对建筑年代进行深度学习训练和预测
本文为《通过深度学习了解建筑年代和风格》论文复现的第五篇——训练识别建筑年代的深度学习模型，我们会使用Python中的`PyTorch`库来训练模型，模型将选用基于`DenseNet121`的深度卷积神经网络（DCNN）作为骨干进行迁移学习，数据集采用上一篇文章中获取的阿姆斯特丹的7万多张谷歌街景图像。在处理过程中我们会进一步优化模型，避免欠拟合和过度拟合，并且使用Tensorboard实时查看训
Part3.2《selenium多线程获取街景.py》和《语义分割筛选街景完整代码.py》完整代码
《通过深度学习了解建筑年代和风格》论文复现代码已上传到Github和Gitee，但Gitee仅用于同步，目前文章和仓库还在更新中，请访问对应的主页查看代码。
Part3-2.获取高质量的阿姆斯特丹建筑立面图像（下）
本文主要是介绍如何用Python的selenium库去操控浏览器截取谷歌街景图像，并按照Pytorch中标准ImageFolder保存，最后使用语义分割模型进行进一步筛选图片。