本文介绍Kaggle入门比赛Titanic泰坦尼克号幸存预测的解题思路，使用的是神经网络和Tensorflow框架。提交代码附在本文的最后部分。

基本思路为:

导入数据集
对数据预处理
训练
预测并输出结果

一、入门介绍

1. 比赛介绍

Kaggle是一个数据建模和数据分析竞赛平台。

泰坦尼克号幸存预测是Kaggle上的一个入门级比赛，利于平台给的数据集，预测泰坦尼克号上不同乘客的幸存情况，并熟悉机器学习基础知识。

2. 板块介绍

比赛地址：Titanic - Machine Learning from Disaster

Titanic - Machine Learning from Disasterhttps://www.kaggle.com/competitions/titanic

Kaggle的主页面如上，我们主要关注 Overview、Data 和 Submit Predictions 三个板块

Overview: 比赛的基本介绍
Data: 数据集的结构和字段介绍，在这里可以下载所需要的数据集
Submit Predictions: 提交预测结果，并查看本次比赛的分数

其他板块如 Code 可以查看其他团队分享的代码，Discussion 是解题思路的分享，Leaderboard 是分数排行榜。

3. 平台提交流程

首先在 data 板块中点击“Download All”下载训练集和测试集
训练集附带真实结果，而测试集是用来做预测并提交结果
编写代码预测后，按照要求的格式在 Submit Predictions 上传结果，并查看本次提交的分数与排名

二、方法介绍

1.理解需求

比赛很简单：创建一个模型，预测哪些乘客在泰坦尼克号沉船中幸存下来。
下载下来的数据包括三个文件：训练集（train.csv）, 测试集（test.csv）, 提交示例（gender_submission.csv）

训练集（train.csv）:用于神经网络进行训练的数据集，包含真实结果列(Survival)
测试集（test.csv）:训练好模型后，用此文件中数据进行预测得到结果
提交示例（gender_submission.csv）:最终提交结果的格式示例，包含 PassengerId 和 Survived 两列

2.数据预处理

可以用各种工具（pandas、Excel 和 Kaggle 自带表格等）分析训练集的数据，判断每一列的数据类型和是否有空缺等情况
去除对结果不影响的列
对空缺的单元进行填充

3.构建模型

使用 keras 的 Sequence 模型
隐藏层使用 relu 激活函数

4.模型评估

使用 keras 的 compile, fit, evaluate 方法进行训练和评估
使用 keras 的 predict 方法预测结果，并将结果按提交示例形成 csv 文件输出

三、编码过程

首先在 data 板块中点击“Download All”下载训练集和测试集

1.导入数据 load_data

使用 pandas 的 read_csv 方法，导入数据 load_data

# 提前将所有包引入
import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.python.keras import activations
import matplotlib.pyplot as plt
from tensorflow.keras import regularizers
import datetime# 导入数据
def load_data(path_url, test_path_url):raw_train_dataset = pd.read_csv(path_url)raw_test_dataset = pd.read_csv(test_path_url)return raw_train_dataset, raw_test_datasetif __name__ == "__main__":# 1. 导入数据path_url = r"kaggle\titanic\train.csv"test_path_url = r"kaggle\titanic\test.csv"raw_train_dataset, raw_test_dataset = load_data(path_url, test_path_url)

2.数据预处理 preprocess

首先我们确定数据集 features_test

训练集 train.csv 中共包含 12 列，分别是 passengerId,survival,pclass,name,sex,Age,sibsp,parch,ticket,fare,cabin,embarked。

通过分析可知对预测结果有影响的列为 Pclass,Sex,Fare,Age,SibSp,Parch,Embarked，而Survived为真实标签列。PassengerId在测试集中会用到。

根据以上分析确定所需的列，形成features_test，将训练集裁剪为所需列。
接下来对数据的缺失值进行填补

用pandas的describe()和isnull().sum()方法可以对训练集进行数值统计，考虑以中位数来替代缺失值。其中缺失较多的列为Age和Fare列。
数据类型统一为数字编码
考虑Sex和Embarked列是字符串，将其修改为每一个可能性字符单独一列，并去除原列。
归一化输入（标准化）
第一步是零均值化，每个训练数据𝑥减去均值𝜇。第二步是归一化方差。
分别处理训练集和测试集
对于训练集，我们要把Survived列单独提出来作为标签，即真实值。

对于测试集，对比提交示例（gender_submission.csv）文件，我们保留PassengerId列作为索引id。

# 数据预处理的基础方法
def preprocess(raw_dataset, features, train=True):"""用于predict的数据预处理Args:input: dataset = pandas.DataFrame对象"""# 以中位数来替代if "Age" in features:raw_dataset["Age"].fillna(raw_dataset["Age"].median(), inplace=True)raw_dataset["Fare"].fillna(raw_dataset["Fare"].median(), inplace=True)# Embarked也可以为最多值raw_dataset["Embarked"].fillna(raw_dataset["Fare"].median(), inplace=True)dataset = raw_dataset[features]dataset = dataset.copy()# 由于 embarked=登船港口, Port of Embarkation	C = Cherbourg, Q = Queenstown, S = SouthamptonEmbarked = dataset.pop("Embarked")# 根据 embarked 列来写入新的 3 个列dataset["S"] = (Embarked == "S") * 1.0dataset["C"] = (Embarked == "C") * 1.0dataset["Q"] = (Embarked == "Q") * 1.0# 根据 sex 列来写入新的 2 个列Sex = dataset.pop("Sex")dataset["Male"] = (Sex == "male") * 1.0dataset["Female"] = (Sex == "female") * 1.0dataset_withoutna = datasetif train:labels = dataset_withoutna["Survived"]dataset_withoutna.pop("PassengerId")dataset_withoutna.pop("Survived")# 标准化,归一化输入train_stats = dataset_withoutna.describe()train_stats = train_stats.transpose()normed_train_data = (dataset_withoutna - train_stats["mean"]) / train_stats["std"]return np.array(normed_train_data), np.array(labels)else:labels = dataset.pop("PassengerId")dataset.fillna(0, inplace=True)test_stats = dataset.describe()test_stats = test_stats.transpose()normed_test_data = (dataset - test_stats["mean"]) / test_stats["std"]return np.array(normed_test_data), np.array(labels)if __name__ == "__main__":# 1. 导入数据path_url = r"kaggle\titanic\train.csv"test_path_url = r"kaggle\titanic\test.csv"raw_train_dataset, raw_test_dataset = load_data(path_url, test_path_url)# 2. 数据预处理features_test = ["PassengerId","Pclass","Sex","Fare","Age","SibSp","Parch","Embarked",]features_train = features_test + ["Survived"]# 获取预处理后的训练集和标签train_dataset, labels = preprocess(raw_train_dataset, features_train)

3.训练 train

采用Sequential构建网络模型
通过Kera 提供的网络容器Sequential生成网络模型，模型的深度为4层，分别有64、32、16和1个的神经单元，前三层使用relu激活函数并应用𝐿2正则化。
compile,fit,evaluate和predict
在Sequential搭建好网络结构后，compile,fit,evaluate和predict是常用的keras训练和验证的方法。

首先是compile，即模型装配。用于设置网络使用的优化器对象、损失函数类型，评价指标等设定。这里我们选定Adam优化器，binary_crossentropy损失函数，设置测量指标为准确率。

接下来是fit，即模型训练。模型装配完成后，即可通过 fit()函数送入待训练的数据集和验证用的数据集，这一步称为模型训练。此处可选定epochs数量，并设定从训练集中切分出的验证集的比例。

evaluate，即模型测试，测试在训练所有样本上的性能表现。

predict，即模型预测，可使用训练好的模型去预测新样本的标签信息。predict方法将在下一节预测输出中使用。

evaluate和predict的区别是，evaluate是用已有的真实结果进行检测，而predict是单纯输出预测结果。

# 训练
def train(train_dataset, labels, epochs=120, batch_size=512, is_plot=False):model = tf.keras.Sequential([# 1. input_shape = 输入形状# ND 张量的形状：. 最常见的情况是带有 shape 的 2D 输入。# (batch_size, ..., input_dim)(batch_size, input_dim)# train_dataset.shape[1] = 4# 现在模型就会以尺寸为 (*, 4) 的数组作为输入，# 2. kernel_regularizer = 应用于kernel权重矩阵的正则化函数。# 𝐿2正则化：范数的平方tf.keras.layers.Dense(64,activation="relu",input_shape=(train_dataset.shape[1],),kernel_regularizer=regularizers.l2(0.001),),tf.keras.layers.Dense(32, activation="relu", kernel_regularizer=regularizers.l2(0.001)),tf.keras.layers.Dense(16, activation="relu"),tf.keras.layers.Dense(1, name="prediction"),])# 在 Keras 中提供了 compile()和 fit()函数方便实现逻辑。# compile：首先通过compile 函数指定网络使用的优化器对象、损失函数类型，评价指标等设定，这一步称为装配# fit： 模型装配完成后，即可通过 fit()函数送入待训练的数据集和验证用的数据集model.compile(# Adam的学习律默认为0.001optimizer=tf.keras.optimizers.Adam(),# BinaryCrossentropy:计算真实标签和预测标签之间的交叉熵损失loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),# 设置测量指标为准确率metrics=["accuracy"],)# early_stop = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)# 模型装配完成后，即可通过 fit()函数送入待训练的数据集和验证用的数据集，这一步称为模型训练# fit函数的参数:# x = Input data# y = Target data# verbose = 'auto'、0、1 或 2 详细模式。# 0 = 静音，1 = 进度条，2 = 每个 epoch 一行。'auto' 在大多数情况下默认为 1history = model.fit(x=train_dataset,y=labels,epochs=epochs,validation_split=0.01,batch_size=batch_size,verbose="auto",# callbacks=[early_stop])# 显示训练情况if is_plot:plot_history(history)# 可以通过 Model.evaluate(db)循环测试完 db 数据集上所有样本loss, accuracy = model.evaluate(train_dataset, labels, verbose=2)print("Accuracy:", accuracy)return modelif __name__ == "__main__":# 1. 导入数据path_url = r"kaggle\titanic\train.csv"test_path_url = r"kaggle\titanic\test.csv"raw_train_dataset, raw_test_dataset = load_data(path_url, test_path_url)# 2. 数据预处理features_test = ["PassengerId","Pclass","Sex","Fare","Age","SibSp","Parch","Embarked",]features_train = features_test + ["Survived"]# 获取预处理后的训练集和标签train_dataset, labels = preprocess(raw_train_dataset, features_train)# 3. 训练model = train(train_dataset, labels, epochs=256, is_plot=True)

4.真实预测并输出csv predict_out

使用predict进行预测
将大于0.5的值设置为1，反之设置为0
输出提交的csv文件
参考提交示例（gender_submission.csv）文件，第一列为PassengerId，第二列为预测结果，并使用to_csv方法输出csv文件。

# 真实预测并输出csv
def predict_out(model, csv_path):# model.evaluate 和 model.predict 的区别# https://blog.csdn.net/DoReAGON/article/details/88552348# 两者差异：# 1# 输入输出不同# model.evaluate输入数据(data)和金标准(label),然后将预测结果与金标准相比较,得到两者误差并输出.# model.predict输入数据(data),输出预测结果# 2# 是否需要真实标签(金标准)# model.evaluate需要,因为需要比较预测结果与真实标签的误差# model.predict不需要,只是单纯输出预测结果,全程不需要金标准的参与.predictions = model.predict(test_dataset)# 通过astype()方法可以强制转换数据的类型。predictions = (tf.sigmoid(predictions).numpy().flatten() > 0.5).astype(int)print(predictions.shape, predictions)# 输出结果output = pd.DataFrame({"PassengerId": passenger_id, "Survived": predictions})# index=False 不保存行索引,index=是否保留行索引output.to_csv(csv_path, index=False)print(f"您的提交文件保存成功! 位置在{csv_path}")return predictionsif __name__ == "__main__":# 1. 导入数据path_url = r"kaggle\titanic\train.csv"test_path_url = r"kaggle\titanic\test.csv"raw_train_dataset, raw_test_dataset = load_data(path_url, test_path_url)# 2. 数据预处理features_test = ["PassengerId","Pclass","Sex","Fare","Age","SibSp","Parch","Embarked",]features_train = features_test + ["Survived"]# 获取预处理后的训练集和标签train_dataset, labels = preprocess(raw_train_dataset, features_train)# 3. 训练model = train(train_dataset, labels, epochs=256, is_plot=True)# 获取预处理后的测试集和序号test_dataset, passenger_id = preprocess(raw_test_dataset, features_test, train=False)csv_path = f"./submission_{get_time()}.csv"prediction = predict_out(model, csv_path)

5.其他工具方法

显示训练情况 plot_history

使用model.fit的返回值History.history即训练数据记录，读取accuracy和val_accuracy来绘制准确率曲线。

# 显示训练情况
def plot_history(history):# histoty的返回值# A History object. Its History.history attribute is a record of training loss values and metrics values at successive epochs, as well as validation loss values and validation metrics values (if applicable).# 一个历史对象。它的 History.history 属性是连续 epoch 的训练损失值和指标值的记录，# 以及验证损失值和验证指标值（如果适用）。# history.history：loss、accuracy、val loss、val accuracyhist = pd.DataFrame(history.history)hist["epoch"] = history.epochplt.figure()plt.xlabel("Num of Epochs")plt.ylabel("value")# plt.plot(hist["epoch"], hist["loss"], label="Loss")# plt.plot(hist["epoch"], hist["val_loss"], label="val_loss")plt.plot(hist["epoch"], hist["accuracy"], label="accuracy")plt.plot(hist["epoch"], hist["val_accuracy"], label="val_accuracy")plt.ylim([0, 1])plt.legend()plt.show()

获取年月日时分秒 get_time

在输出预测结果csv的时候附上时间，方便区别。

# 获取年月日时分秒
def get_time():return datetime.datetime.now().strftime("%Y%m%d%H%M")

主函数 main

# #### Titanic - Machine Learning from Disasterif __name__ == "__main__":# 1. 导入数据path_url = r"kaggle\titanic\train.csv"test_path_url = r"kaggle\titanic\test.csv"raw_train_dataset, raw_test_dataset = load_data(path_url, test_path_url)# 2. 数据预处理features_test = ["PassengerId","Pclass","Sex","Fare","Age","SibSp","Parch","Embarked",]features_train = features_test + ["Survived"]# 获取预处理后的训练集和标签train_dataset, labels = preprocess(raw_train_dataset, features_train)# 3. 训练model = train(train_dataset, labels, epochs=256, is_plot=True)# 获取预处理后的测试集和序号test_dataset, passenger_id = preprocess(raw_test_dataset, features_test, train=False)csv_path = f"./submission_{get_time()}.csv"prediction = predict_out(model, csv_path)# 验证与原始数据raw_test_dataset长度是否一致if prediction.shape[0] == raw_test_dataset.shape[0]:print(f"--预测长度={prediction.shape[0]}校验通过 √")else:print(f"--预测长度与raw_test_dataset长度不一致 ×,prediction.shape={prediction.shape},raw_test_dataset.shape={raw_test_dataset.shape}")

四、总结

调整validation_split的比例为0.01后，最后最高分数为0.78947，排名前8%。基本达到学习完成Titanic泰坦尼克号幸存预测比赛的程度。

比赛中比较重要的是需要对数据进行仔细分析，可以利用Excel和pandas等工具分析数据，提取出有用的数据列，并对缺失值进行填补。

五、参考资料

1. 机器学习项目实战（一）： Kaggle Titanic机器学习项目实战（一）： Kaggle Titanichttps://wangxin1248.github.io/machinelearning/2018/10/titanic.html

2. Kaggle入门系列（三）Titanic初试身手

https://zhuanlan.zhihu.com/p/29086614http://xn--kaggletitanic-130u340bnvcfd1366ar7zf4cucvpmny2bdk67bza

3. Titanic Tutorial

Titanic Tutorialhttps://www.kaggle.com/code/alexisbcook/titanic-tutorial

4. 用TensorFlow完成Kaggle Titanic竞赛

用TensorFlow完成Kaggle Titanic竞赛https://www.jianshu.com/p/f5a7487e6ff2

六、代码原文

titanic_predict.py

import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.python.keras import activations
import matplotlib.pyplot as plt
from tensorflow.keras import regularizers
import datetime# 显示训练情况
def plot_history(history):# histoty的返回值# 一个历史对象。它的 History.history 属性是连续 epoch 的训练损失值和指标值的记录，以及验证损失值和验证指标值（如果适用）。# history.history：loss、accuracy、val loss、val accuracyhist = pd.DataFrame(history.history)hist["epoch"] = history.epochplt.figure()plt.xlabel("Num of Epochs")plt.ylabel("value")plt.plot(hist["epoch"], hist["accuracy"], label="accuracy")plt.plot(hist["epoch"], hist["val_accuracy"], label="val_accuracy")plt.ylim([0, 1])plt.legend()plt.show()# 导入数据
def load_data(path_url, test_path_url):raw_train_dataset = pd.read_csv(path_url)raw_test_dataset = pd.read_csv(test_path_url)return raw_train_dataset, raw_test_dataset# 数据预处理的基础方法
def preprocess(raw_dataset, features, train=True):"""用于predict的数据预处理Args:input: dataset = pandas.DataFrame对象"""# 以中位数来替代if "Age" in features:raw_dataset["Age"].fillna(raw_dataset["Age"].median(), inplace=True)raw_dataset["Fare"].fillna(raw_dataset["Fare"].median(), inplace=True)raw_dataset["Embarked"].fillna(raw_dataset["Fare"].median(), inplace=True)dataset = raw_dataset[features]dataset = dataset.copy()# 由于 embarked=登船港口, Port of Embarkation	C = Cherbourg, Q = Queenstown, S = SouthamptonEmbarked = dataset.pop("Embarked")# 根据 embarked 列来写入新的 3 个列dataset["S"] = (Embarked == "S") * 1.0dataset["C"] = (Embarked == "C") * 1.0dataset["Q"] = (Embarked == "Q") * 1.0# 根据 sex 列来写入新的 2 个列Sex = dataset.pop("Sex")dataset["Male"] = (Sex == "male") * 1.0dataset["Female"] = (Sex == "female") * 1.0dataset_withoutna = datasetif train:labels = dataset_withoutna["Survived"]dataset_withoutna.pop("PassengerId")dataset_withoutna.pop("Survived")# 标准化train_stats = dataset_withoutna.describe()train_stats = train_stats.transpose()normed_train_data = (dataset_withoutna - train_stats["mean"]) / train_stats["std"]return np.array(normed_train_data), np.array(labels)else:labels = dataset.pop("PassengerId")dataset.fillna(0, inplace=True)test_stats = dataset.describe()test_stats = test_stats.transpose()normed_test_data = (dataset - test_stats["mean"]) / test_stats["std"]return np.array(normed_test_data), np.array(labels)# 训练
def train(train_dataset, labels, epochs=120, batch_size=512, is_plot=False):model = tf.keras.Sequential([# 1. input_shape = 输入形状# ND 张量的形状：. 最常见的情况是带有 shape 的 2D 输入。# 2. kernel_regularizer = 应用于kernel权重矩阵的正则化函数。# 𝐿2正则化：范数的平方tf.keras.layers.Dense(64,activation="relu",input_shape=(train_dataset.shape[1],),kernel_regularizer=regularizers.l2(0.001),),tf.keras.layers.Dense(32, activation="relu", kernel_regularizer=regularizers.l2(0.001)),tf.keras.layers.Dense(16, activation="relu"),tf.keras.layers.Dense(1, name="prediction"),])# 在 Keras 中提供了 compile()和 fit()函数方便实现逻辑。# compile：首先通过compile 函数指定网络使用的优化器对象、损失函数类型，评价指标等设定，这一步称为装配# fit： 模型装配完成后，即可通过 fit()函数送入待训练的数据集和验证用的数据集model.compile(# Adam的学习律默认为0.001optimizer=tf.keras.optimizers.Adam(),# BinaryCrossentropy:计算真实标签和预测标签之间的交叉熵损失loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),# 设置测量指标为准确率metrics=["accuracy"],)# 模型装配完成后，即可通过 fit()函数送入待训练的数据集和验证用的数据集，这一步称为模型训练# verbose = 'auto'、0、1 或 2 详细模式。# 0 = 静音，1 = 进度条，2 = 每个 epoch 一行。'auto' 在大多数情况下默认为 1history = model.fit(x=train_dataset,y=labels,epochs=epochs,validation_split=0.3,batch_size=batch_size,verbose="auto",# callbacks=[early_stop])# 显示训练情况if is_plot:plot_history(history)# 可以通过 Model.evaluate(db)循环测试完 db 数据集上所有样本loss, accuracy = model.evaluate(train_dataset, labels, verbose=2)print("Accuracy:", accuracy)return model# 真实预测并输出csv
def predict_out(model, csv_path):# model.evaluate 和 model.predict 的区别# https://blog.csdn.net/DoReAGON/article/details/88552348# 两者差异：# 1# 输入输出不同# model.evaluate输入数据(data)和金标准(label),然后将预测结果与金标准相比较,得到两者误差并输出.# model.predict输入数据(data),输出预测结果# 2# 是否需要真实标签(金标准)# model.evaluate需要,因为需要比较预测结果与真实标签的误差# model.predict不需要,只是单纯输出预测结果,全程不需要金标准的参与.predictions = model.predict(test_dataset)# 通过astype()方法可以强制转换数据的类型。predictions = (tf.sigmoid(predictions).numpy().flatten() > 0.5).astype(int)print(predictions.shape, predictions)# 输出结果output = pd.DataFrame({"PassengerId": passenger_id, "Survived": predictions})# index=False 不保存行索引,index=是否保留行索引output.to_csv(csv_path, index=False)print(f"您的提交文件保存成功! 位置在{csv_path}")return predictions# 获取年月日时分秒
def get_time():return datetime.datetime.now().strftime("%Y%m%d%H%M")# #### Titanic - Machine Learning from Disasterif __name__ == "__main__":# 1. 导入数据path_url = r"kaggle\titanic\train.csv"test_path_url = r"kaggle\titanic\test.csv"raw_train_dataset, raw_test_dataset = load_data(path_url, test_path_url)# 2. 数据预处理features_test = ["PassengerId","Pclass","Sex","Fare","Age","SibSp","Parch","Embarked",]features_train = features_test + ["Survived"]# 获取预处理后的训练集和标签train_dataset, labels = preprocess(raw_train_dataset, features_train)# 3. 训练model = train(train_dataset, labels, epochs=256, is_plot=True)# 获取预处理后的测试集和序号test_dataset, passenger_id = preprocess(raw_test_dataset, features_test, train=False)# 输出预测结果csv_path = f"./submission_{get_time()}.csv"prediction = predict_out(model, csv_path)# 验证与原始数据raw_test_dataset长度是否一致if prediction.shape[0] == raw_test_dataset.shape[0]:print(f"--预测长度={prediction.shape[0]}校验通过 √")else:print(f"--预测长度与raw_test_dataset长度不一致 ×,prediction.shape={prediction.shape},raw_test_dataset.shape={raw_test_dataset.shape}")

依赖库 requirements.txt

pandas==1.4.3
numpy==1.20.3
matplotlib==3.4.3
tensorflow-cpu==2.9.1

Titanic 泰坦尼克号预测-Tensorflow 方法-【Kaggle 比赛】

一、入门介绍

1. 比赛介绍

2. 板块介绍

3. 平台提交流程

二、方法介绍

1.理解需求

2.数据预处理

3.构建模型

4.模型评估

三、编码过程

1.导入数据 load_data

2.数据预处理 preprocess

3.训练 train

4.真实预测并输出csv predict_out

5.其他工具方法

四、总结

五、参考资料

六、代码原文

相关文章

霍金

热重分析（TG）基本原理与实战分析

思维模型霍金斯能量场（能量层级）

Kaggle系列（一）：Spaceship Titanic（太空飞船泰坦尼克）

霍金-现代最伟大的物理学家之一、20世纪享有国际盛誉的伟人之一

刚刚，霍金的一个预言成真了，这次吓坏不少人！

霍金与硅谷：你不知道的故事

细数霍金关于AI的五大预言，向伟大的科学巨人致敬

霍金去世但他对人工智能的预言时刻提醒着人类！【附霍金一生大事记】

《时代》专访ChatGPT之父：人工智能影响经济还需要很多年

知识就是力量，图谱路在何方 | ChatGPT冲击下，招商银行如何“抢救”知识图谱？

可以免费使用的ChatGPT-4，微软开放Bing Chat功能，供用户体验

ChatGPT vs. Bing vs. Bard

嗯？大火的ChatGPT和new bing都离不开它？

微软再次挑战谷歌搜索市场，Bing已经深度整合OpenAI，你会用 Bing 的 ChatGPT 做些什么？

New bing带着chatGPT来啦

ChatHub | 卧龙和凤雏！同时对话ChatGPT和新Bing！~

chatGPT 商业会员系统开源

2023最新ChatGPT商用源码+支持ai绘画(Midjourney)+GPT4.0+Dall-E2绘画+支持Mind思维导图生成

2023最新ChatGPT商用网站源码V4.8.4+支持MJ绘画+GPT4.0