显然，在没有区分性别的情况下，由于清洁类是男性女性通用，所以占得销量最高是理所应当的。先观察销量，各店小类中销量最高的是相宜本草的补水类商品以及妮维雅的清洁类商品，这两类销量很接近。而销售额上，相宜本草的补水类商品比妮维雅的清洁类商品要高得多，这显然是商品平均单价不同所导致的。由于不同的类别使用量也不同，销量自然也会有所区别，所以相对于比较每个店铺的不同类别的销售量，比较每个不同类别的各店铺的销售

trainloader是之前定义的数据加载器，用于加载训练数据。本节课回顾了上周所讲过的图像分类问题，理解到图像是可以有三种分类：通用的多类别图像分类，子类细粒度图像分类，实例级图像分类；transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))：对图像进行归一化处理，有三个值是因为有三个通道-RGB）（transforms.ToTensor()：

这段代码是用于评估对于已经训练好的神经网络的准确率，correct是用于记录预测正确的样本数量，所以初始值为0，total是用于记录测试集中样本总数，所以初始值为0；这段代码是计算输出一个分类模型在测试集上，创建两个长度为10的列表，分别记录每个类别预测正确的样本数和每个类别样本的总数量，关闭了梯度计算，第一个for循环遍历测试数据加载器，第二个for循环统计每个类别的正确预测数和总数，第三个fo

通过构建具有一定“深度”的模型，可以让模型来自动学习好的特征表示（从底层特征，到中层特征，再到高层特征），从而最终提升预测或识别的准确性。全连接层：在卷积层和池化层之后，是3个全连接层，前两个全连接层有4096个神经元，最后一个全连接层的神经元数量根据具体的分类任务而定。可根据数据的复杂度，进行居中和缩放，一共有50000个训练数据，10000个测试数据，图像大小是28*28，一共有10类（0-9

本节课讲解了YOLO系列中的YOLOv4，YOLOv4作为目标检测领域的重要算法，极大地提升了检测的速度与精度。课程从其核心原理入手，剖析了骨干网络CSPDarknet53如何高效提取图像特征，以及FPN+PAN结构怎样实现多尺度特征融合，让模型对不同大小目标都能精准识别。在学习过程中，还深入了解了数据增强、损失函数设计等关键技术，明白了它们在提升模型性能中所发挥的作用。通过代码实践与案例分析，切

本节课学习了目标检测项目，目标检测是计算机视觉领域的重要任务，主要是识别图片中有哪些物体并且找到物体的存在位置。多任务：位置 + 类别目标种类与数量繁多的问题目标尺度不均的问题 遮挡、声等外部环境干扰。