CPS = 총광고비 / 구매건수 => 하나 파는데 드는 광고비용. ( CPA, CPI, CPC 등 같은 뜻)
ROI = 광고수익 / 광고비 * 100
ROAS = 광고매출 / 광고비 * 100 ( ROAS * CPS = 객단가 )
CVR = 전환율 
CTR = 클릭수 / 노출수 * 100 
최대허용 CPC = 객단가 * 이익률 * 전환율

0. virtualenv {venv:가상환경 이름} -> cd venv/scripts -> activate.bat -> (after change env) pip install django
1. django-admin startproject {projName} -> cd {projName}
2. (in projName forder) python manage.py runserver -> start
3. python manage.py startapp {appName} -> create urls.py and make views.py -> edit projName urls.py using 'include' -> settings.py(templates,installed_apps)

def create_model(data, catcols):    
    inputs = []
    outputs = []
    for c in catcols:
        ## categorical columns를 하나씩 긁어와서 종류를 unique value에 담는다.
        num_unique_values = int(data[c].nunique())
        ## 만약 그 종류가 50개를 넘기면 50개로 하고, 아니면 나누기 2해서 올림으로 처리한다.
        embed_dim = int(min(np.ceil((num_unique_values)/2), 50))
        ## input의 의미는 tabular에서 열 하나하나를 넣으려는거다. 그래서 shape를 한줄 즉, 예를 들어, 첫번째 열이 35개 종류의 카테고리 열이라서 (1,) 다음 열도 (1,) 종류에 상관없이 한줄의 array가 input으로 가게 된다. 
        inp = layers.Input(shape=(1,))
        ## 0부터치기 때문에 +1 하고, 아까정한 embed_dim으로 임베딩한다. 
        out = layers.Embedding(num_unique_values + 1, embed_dim, name=c)(inp)
        ## spatialDropout1D의 의미가 헷갈렸는데 stackoverflow에서 이해한 바를 써보면 기존 dropout과 차이점은 독립적으로 어떤 input의 element를 0으로 두는 것이 아닌 한 채널 즉, 우리가 말하는 (2,2,4)에서 axis=1 (2,0,4) 로 모든 축을 0 으로 만드는 방법이라고 한다. 이게 좋은 이유는 채널들간의 독립성을 유지해주기 위함이라고 한다. 
        out = layers.SpatialDropout1D(0.3)(out)
        out = layers.Reshape(target_shape=(embed_dim, ))(out)
        inputs.append(inp)
        outputs.append(out)

    ## 그리고 여기서 합친다. 각각의 열이 4개의 종류, 50개의 종류 등 여러가지를 합친후
    x = layers.Concatenate()(outputs)
    ## batch 정규화돌리고 - 여기서 batch는 세로, layer정규화는 가가라고 기억하면 쉽다.
    ## 어렵게 말하면 batch는 특성단위 정규화, layer는 샘플단위 정규화.
    x = layers.BatchNormalization()(x)

    x = layers.Dense(300, activation="relu")(x)
    x = layers.Dropout(0.3)(x)
    x = layers.BatchNormalization()(x)

    x = layers.Dense(300, activation="relu")(x)
    x = layers.Dropout(0.3)(x)
    x = layers.BatchNormalization()(x)

    ## 그리고 softmax 뿌려주기
    y = layers.Dense(2, activation="softmax")(x)

    model = Model(inputs=inputs, outputs=y)
    return model

# fastai를 통해서 각각은 resize를 통해 224x224로, 계산의 복잡도를 낮추기 위해서
# batch transforms에는 세개의 basic transform을 적용한다.
dls = ImageDataLoaders.from_df(train_df, #pass in train DataFrame
                               path='/content/dataset',
                               valid_pct=0.2, #80-20 train-validation random split
                               seed=999, #seed
                               fn_col='path', #filename/path is in the second column of the DataFrame
                               label_col='norm_AvgWeight', #label is in the first column of the DataFrame
                               y_block=RegressionBlock, #The type of target
                               bs=8, #pass in batch size
                               num_workers=8,
                               item_tfms=Resize(224), #pass in item_tfms
                               batch_tfms=setup_aug_tfms([Dihedral(),Zoom(),Warp()])) #pass in batch_tfms

# Swin Transformer 모델을 기본으로 훈련한다. 그에 필요한 파일을 load한다. 
model = create_model('swin_large_patch4_window7_224', pretrained=True, num_classes=dls.c)

# metric은 120을 곱한 mae로 한다. 
def eel_mae(input,target):
    return 120*(F.l1_loss(F.sigmoid(input.flatten()), target))

# 분류문제로 치환한다.
# AccumMetric은 메트릭을 계산하기 위해 유효성 검사에서 모든 배치의 누적 예측값을 사용한다.
learn = Learner(dls, model, loss_func=BCEWithLogitsLossFlat(), metrics=AccumMetric(eel_mae))

## 엑세스
from google.colab import drive
drive.mount('/content/drive/')

## zipfile 압축해제 
import zipfile

zip_ref = zipfile.ZipFile("/content/drive/MyDrive/colab/dataset.zip", 'r')
zip_ref.extractall("/content")
zip_ref.close()

## 번외 - 개발중 오래켜두기 위한 

function ClickConnect(){
    console.log("코랩 연결 끊김 방지");
    document.querySelector("colab-toolbar-button#connect").click()
}
setInterval(ClickConnect, 60 * 1000)

## submit 파일 접근
from google.colab import files
files.download('submission04.csv')

## open
open -a simulator

## develop
flutter create {app name}
flutter run -> press R in order to reload hot

## after connecting iphone
flutte run -d {device name} --release