tensorflow yolo8
https://blog.csdn.net/Pan_peter/article/details/129907710

tensorflow SSDMobilenet
https://blog.csdn.net/bikede/article/details/103011369

No matching distribution found for tensorflow==1.14.0
https://blog.csdn.net/Nire_Yeyu/article/details/104858223

降版本下载
https://blog.csdn.net/weixin_55267022/article/details/122864786

tensorflow yolo3
https://github.com/YunYang1994/tensorflow-yolov3

修改下载源
https://zhuanlan.zhihu.com/p/260034241

conda install python=3.7
可以降低版本，但是由于外网问题，需要修改下载源
1、在pycharm命令行中
输入
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --set show_channel_urls yes
2、修改.condarc为，默认路径：C:\Users\Administrator
channels:

• https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
• https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
  show_channel_urls: true
  ssl_verify: false

命令行
WGET 是从url中下载对应的文件

CD 是切换目录命令
.则是表示目前所在的目录，
…则表示目前目录位置的上一层目录。
cd 进入用户主目录；
cd ~ 进入用户主目录；
cd - 返回进入此目录之前所在的目录；
cd … 返回上级目录（若当前目录为“/“，则执行完后还在“/“；”…"为上级目录的意思）；
cd …/… 返回上两级目录；

darknet-19是网络架构
https://blog.csdn.net/Code_and516/article/details/129945109

tf.variable_scope
https://blog.csdn.net/tian_jiangnan/article/details/105047745

tf.concat：拼接矩阵

去wget官网（GNU Wget 1.21.3 for Windows）下载：
先选择32位/64位；
再下载ZIP/EXE；
最后将下载下来的wget.exe文件放到C:\Windows\System32即可。

问题原因：
当出现错误信息 “‘pip’ 不是内部或外部命令，也不是可运行的程序或批处理文件” 时，这通常意味着在命令行中输入pip命令时，系统无法找到pip可执行文件的位置。这可能是由于以下几个原因：
Python未正确安装：pip是Python的包管理工具，如果Python未正确安装，pip也不会被正确配置。请确保已经成功安装了Python，并将其添加到系统的环境变量中。
环境变量配置错误：当pip所在的Python的Scripts目录未添加到系统的环境变量PATH中时，系统无法找到pip的可执行文件。
pip未正确安装：在某些情况下，pip可能未正确安装，或者由于某种原因损坏，导致无法使用。

tensorflow 和python版本
https://www.ngui.cc/el/3120697.html?action=onClick

conda install python 降版本
https://blog.csdn.net/qq_41785442/article/details/114436956

称中间的cp36是python3.6的意思，amd64是python的位数
tensorflow-1.14.0-cp37-cp37m-win_amd64.whl
使用离线包，只需要pip install 文件名.whl
在线指定镜像下载
也可以pip install 镜像网站url
->pip可以换成conda
镜像
https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow/

切换conda环境：conda activate <env_name>

成功安装后
pip show tensorflow
Name: tensorflow
Version: 1.14.0
Summary: TensorFlow is an open source machine learning framework for everyone.
Home-page: https://www.tensorflow.org/
Author: Google Inc.
Author-email: packages@tensorflow.org
License: Apache 2.0
Location: c:\users\administrator.conda\envs\dl\lib\site-packages
Requires: absl-py, astor, gast, google-pasta, grpcio, keras-applications, keras-preprocessing, numpy, protobuf, six, tensorboard, tensorflow-estimator, termcolor, wheel, wrapt
Required-by:

envs就是环境
配置python3.7
配置tensorflow

简而言之，系统环境变量，就是对全部用户起作用；而用户环境变量，仅仅对当前用户起作用。
更重要的一点是： 首先检索的是系统变量，在系统未完成下，是不会执行用户变量的。
由此可见，系统变量的优先级高于用户变量。

控制台和pycharm的python
环境变量里只留一个需要的python
setting中的解析器选对对应版本的环境

pip‘ 不是内部或外部命令，也不是可运行的程序 或批处理文件->没找到pip.exe
将python安装文件的目录添加进去。（包括python安装路径和Scripts路径）
python如果默认安装路径一般是：C:\Users\xxx\AppData\Local\Programs\Python\Python38
C:\Users\xxx\AppData\Local\Programs\Python\Python38\Scripts
将这两个路径添加到系统环境变量path中

pip show 模块名：查看版本
模块名 --version：查看版本

查看python对应的numpy版本号
https://link.csdn.net/?target=http%3A%2F%2Fwww.lfd.uci.edu%2F~gohlke%2Fpythonlibs%2F%23numpy

忽略未来错误
import warnings
warnings.filterwarnings(‘ignore’)

import tensorflow as tf

必须要使用global_variables_initializer的场合

含有tf.Variable的环境下，因为tf中建立的变量是没有初始化的，也就是在debug时还不是一个tensor量，而是一个Variable变量类型

size_out = 10
tensor = tf.Variable(tf.random_normal(shape=[size_out]))
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init) # initialization variables
print(sess.run(tensor))

可以不使用初始化的场合

不含有tf.Variable、tf.get_Variable的环境下

比如只有tf.random_normal或tf.constant等

size_out = 10
tensor = tf.random_normal(shape=[size_out]) # 这里debug是一个tensor量哦
init = tf.global_variables_initializer()
with tf.Session() as sess:
# sess.run(init) # initialization variables
print(sess.run(tensor))
总结：有variable就需要初始化

tf.global_variables_initializer：全局初始化
单个初始化：
first_var = tf.variable
sess.run(first_var.init)
second_var = tf.variable(tf.zeros_like(first_Var))
变量间有依赖要逐步初始化