YOLO 用一套 API 覆盖检测、分割、分类、姿态和旋转框。上手顺序不能乱：先建 conda 环境，按 nvidia-smi 驱动版本选 PyTorch/CUDA（≥12.1 用 cu126，否则 cu118），再装 ultralytics，并立即用 torch.cuda.is_available() 验证，否则可能静默成 CPU 版。环境通过后先用官方权重零数据 predict，再训练自己的数据。标签须为归一化中心点坐标，类别从 0 开始，图片与标签同名，val 别取同段视频相邻帧。训练后看 mAP50、mAP50-95 判断泛化，导出 ONNX/TensorRT 后重新测精度；商用留意 AGPL-3.0 义务。

人工神经网络由输入层、隐藏层和输出层构成，全连接层中每个神经元与上一层所有神经元连接，同层互不连接。神经元通过加权求和（线性转换）与激活函数引入非线性。隐藏层常用ReLU或tanh，输出层用Sigmoid（二分类，值域0~1，高效定义域-3~3）或Softmax（概率转换）。搭建网络需继承nn.Module，重写__init__定义层及权重（如kaiming初始化）和偏置（如全1），重写forward定义激活函数。损失函数衡量真实值与预测值的误差：回归用L1Loss、MSELoss、SmoothL1Loss；分类用BCELoss、CrossEntropyLoss。

深度学习旨在解决传统技术无法处理或过于复杂的问题。核心模块包括处理文本的RNN（词嵌入层+循环层+全连接层）、处理图像的CNN（卷积层+池化层+全连接层）以及基础部件ANN（张量）。训练通过正向传播计算预测值与真实值的损失，再经反向传播利用梯度更新权重（W新=W旧-学习率×梯度）。深度学习由输入层、隐藏层、输出层构成，可自动完成特征工程，依赖大数据和GPU加速，但可解释性差。张量操作涵盖创建、线性/随机张量、类型转换、索引、形状改变（reshape/squeeze/unsqueeze/transpose/permute）及拼接（cat/stack）。自动微分通过调用backward()求偏导。模拟线性回归示例展示了完整流程：准备数据（make_regression）、转为TensorDataset和DataLoader，创建线性模型与SGD优化器，循环训练（前向传播计算MSE损失、反向传播、优化器更新梯度、清零），最终可通过绘制损失曲线及预测直线与真实直线对比评估模型效果。