两种方式进行比较:方式一: 用自定义的函数实现数据转换为tensor, 耗时: 12s%%time方式二: 用tensorlow转换为tensor, 耗时: 10s# 效率还是高一些%%timeAutoGraph：将 Python 控制流转换为 TensorFlow 计算图@tf.function 使用名为 AutoGraph 的机制将函数中的 Python 控制流语句转换成 TensorFlow

YOLOv8是一种尖端的、最先进的(SOTA)模型，建立在以前 YOLO 版本的成功基础上，并引入了新的特性和改进，以进一步提高性能和灵活性。YOLOv8被设计为快速、准确、易于使用，这使它成为一个很好的选择，用于范围广泛的目标检测和跟踪、实例分割、图像分类和姿势估计任务。

将预测的边界框中心限制在当前cell中，表示预测目标边界框与真实目标边界框的。实现了不同尺度的特征融合。函数得到的预测置信度,

YOLOv8是一种尖端的、最先进的(SOTA)模型，建立在以前 YOLO 版本的成功基础上，并引入了新的特性和改进，以进一步提高性能和灵活性。YOLOv8被设计为快速、准确、易于使用，这使它成为一个很好的选择，用于范围广泛的目标检测和跟踪、实例分割、图像分类和姿势估计任务。

小结：在跨层连接上，不同于ResNet中将输入与输出相加，稠密连接网络（DenseNet）在通道维上连结输入 与输出。DenseNet的 主要构建模块是稠密块和过渡层。在构建DenseNet时，我们 需要通过添加过渡层来控制网络的维数，从而再次减少通道的数量。

使用迁移学习的优势：能够快速的训练出一个理想的结果当数据集较小时也能训练出理想的效果注意：使用别人预训练模型参数时，要注意别人的预处理方式。

该tar.gz文件是源存档，而该.whl文件是构建的发行版。较新的pip版本优先安装构建的发行版，但如果需要，将回退到源代码存档。您应该始终上传源存档并为项目兼容的平台提供构建的存档。Python中用于打包和分发Python项目的命令。返回running check 就是正常的。在dist目录中生成两个文件。

正确的边界框(ground truth)中除去被预测正确的边界框，剩下的边界框的数量。预测出的所有边界框中除去预测正确的边界框，剩下的边界框的数量。不同recall下的最高precision的均值。即模型给出的所有预测结果中命中真实目标的比例。一个没有被检测出来的ground truth。即模型给出的预测结果最多能覆盖多少真实目标，模型给出的所有预测结果中命中真实目标的比例。被找到的正确目标和所有

常量一旦定义值不能改变.使用tf.constant定义常量.使用tf.constant定义常量# 常量一旦定义, 不能变, 不可更改# 可以像numpy的ndarray一样使用tensorprint(t[..., 1]) # 或t[:, 1] # tf.Tensor([2. 5.], shape=(2,), dtype=float32)常量的操作print(t+10) # 每个元素都加10prin

知识发现发现事物之间的潜在关系异常值检测特征提取 数据压缩的例子1.2、有监督与无监督学习有监督给定训练集 X 和 标签Y选择模型学习（目标函数的最优化）, 训练fit生成模型（本质上是一组参数、方程）根据生成的一组参数进行预测分类等任务无监督拿到的数据只有X ，没有标签，只能根据X的相似程度做一些事情。Clustering 聚类类别内相似度大，类别间相似小。也可以用来改变数据的维度，可以将聚类结