From d70cfb5706e6da504770ce94a2a9ee864e997990 Mon Sep 17 00:00:00 2001
From: Harold-Ran <56714856+Harold-Ran@users.noreply.github.com>
Date: Thu, 21 Oct 2021 15:08:58 +0800
Subject: [PATCH] =?UTF-8?q?Update=20Task3=20=E6=A8=A1=E5=9E=8B=E5=BB=BA?=
 =?UTF-8?q?=E7=AB=8B=E4=B9=8BCNN+LSTM.ipynb?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 Task3 模型建立之CNN+LSTM.ipynb | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/Task3 模型建立之CNN+LSTM.ipynb b/Task3 模型建立之CNN+LSTM.ipynb
index 3ced99c..1b625eb 100644
--- a/Task3 模型建立之CNN+LSTM.ipynb	
+++ b/Task3 模型建立之CNN+LSTM.ipynb	
@@ -375,10 +375,10 @@
     "\n",
     "由于每条数据在时间上有重叠，我们取数据的前12个月拼接起来，就得到了长度为（数据条数×12个月）的序列数据，如图1所示：\n",
     "\n",
-    "<img style=\"float: center;\" src=\"图1.png\" width=\"70%\">\n",
+    "<img style=\"float: center;\" src=\"Task3-图1.png\" width=\"70%\">\n",
     "\n",
     "然后我们以每个月为起始月，接下来的12个月作为模型输入X，后24个月的Nino3.4指数作为预测目标Y构建训练样本，如图2所示：\n",
-    "<img style=\"float: center;\" src=\"图2.png\" width=\"70%\">\n",
+    "<img style=\"float: center;\" src=\"Task3-图2.png\" width=\"70%\">\n",
     "\n",
     "需要注意的是，CMIP数据提供了不同的拟合模式，只有在同种模式下各个年份的数据在时间上是连续的，因此同种模式的数据才能在时间上拼接起来，除去最后11个月不能构成训练样本外，滑窗最终能获得的训练样本数量可以按以下方式计算得到：\n",
     "\n",