[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Captain1986--CaptainBlackboard":3,"tool-Captain1986--CaptainBlackboard":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":106,"github_topics":107,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":156},9805,"Captain1986\u002FCaptainBlackboard","CaptainBlackboard","船长关于机器学习、计算机视觉和工程技术的总结和分享","CaptainBlackboard 是一位资深技术专家（船长）精心打造的知识分享库，专注于机器学习、计算机视觉及软件工程领域的实战心得与理论总结。它并非传统意义上的软件工具，而是一部持续更新的技术“黑板报”，旨在解决开发者在算法落地、模型调优及底层工程实现中遇到的具体痛点。\n\n内容涵盖从基础的线性回归、SVM、kNN 原理，到深度学习中的损失函数选择、样本不平衡处理、Batch-Normalization 机制分析，再到 MobileNet 深度可分离卷积优化、大规模特征集搜索加速等硬核工程技巧。此外，还包含了如将 Git Commit ID 编译进二进制文件等实用的开发小窍门。\n\nCaptainBlackboard 特别适合人工智能算法工程师、数据科学家、计算机视觉研究人员以及渴望深入理解底层原理的软件开发人员阅读。其独特亮点在于不仅讲解“是什么”，更侧重剖析“为什么”和“怎么做”，结合了阿里淘系一线的大规模业务场景经验，将复杂的数学推导与实际的代码优化紧密结合，为读者提供了一条从理论到工程落地的清晰路径，是提升技术深度的优质参考资料。","# 船长黑板报\n\n本黑板报专门记录一些船长在工作学习中的一些心得体会\n\n欢迎各路朋友提Pull Request，或者拍砖、改错别字都欢迎～\n\n## 招聘\n\n本人所在阿里淘系技术部常年招数据挖掘\u002FCV\u002FNLP人才，社招校招实习P5~P9欢迎准备好简历找我**内推**，dupeng63@163.com\n\n## 目录（注：列且仅列已经完成的，点击可直达）\n\n[D#0001-undefined_reference_to_XXX](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230001-undefined_reference_to_XXX\u002FD%230001.md)\n\n[D#0002-hack_your_printf](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230002-hack_your_printf\u002FD%230002.md)\n\n[D#0003-optimizing_cosine_distance_searching_in_a_million_feature-set](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230003-optimizing_cosine_distance_searching_in_a_million_feature-set\u002FD%230003.md)\n\n[D#0004-depthwise_separable_convolutions_in_mobilenet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230004-depthwise_separable_convolutions_in_mobilenet\u002FD%230004.md)\n\n[D#0005-separable_convolutions_in_image_processing](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230005-separable_convolutions_in_image_processing\u002FD%230005.md)\n\n[D#0006-protect_my_function](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230006-protect_my_function\u002FD%230006.md)\n\n[D#0007-compile_git_commit_sha1_into_elf](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230007-compile_git_commit_sha1_into_elf\u002FD%230007.md)\n\n[D#0008-拉格朗日乘子法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230008-%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E4%B9%98%E5%AD%90%E6%B3%95\u002FD%230008.md)\n\n[D#0009-SVM](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230009-SVM\u002FD%230009.md)\n\n[D#0010-从线性回归到对率回归到Softmax激活函数](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230010-%E4%BB%8E%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92%E5%88%B0%E5%AF%B9%E7%8E%87%E5%9B%9E%E5%BD%92%E5%88%B0Softmax%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0\u002FD%230010.md)\n\n[D#0011-kNN](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230011-kNN\u002FD%230011.md)\n\n[D#0012-为什么选交叉熵作为分类问题的损失函数](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230012-%E4%B8%BA%E4%BB%80%E4%B9%88%E9%80%89%E4%BA%A4%E5%8F%89%E7%86%B5%E4%BD%9C%E4%B8%BA%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98%E7%9A%84%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0\u002FD%230012.md)\n\n[D#0013-深度学习调参常用方法总结](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230013-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E8%B0%83%E5%8F%82%E5%B8%B8%E7%94%A8%E6%96%B9%E6%B3%95%E6%80%BB%E7%BB%93\u002FD%230013.md)\n\n[D#0014-数据降维常用方法总结(LDA,PCA)](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230014-%E6%95%B0%E6%8D%AE%E9%99%8D%E7%BB%B4%E5%B8%B8%E7%94%A8%E6%96%B9%E6%B3%95%E6%80%BB%E7%BB%93(LDA%2CPCA)\u002FD%230014.md)\n\n[D#0015-深度学习常用损失函数](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230015-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%B8%B8%E7%94%A8%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0\u002FD%230015.md)\n\n[D#0016-深度学习中不平衡样本的处理](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230016-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%AD%E4%B8%8D%E5%B9%B3%E8%A1%A1%E6%A0%B7%E6%9C%AC%E7%9A%84%E5%A4%84%E7%90%86\u002FD%230016.md)\n\n[D#0017-MTCNN和FaceBoxes](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230017-MTCNN%E5%92%8CFaceBoxes\u002FD%230017.md)\n\n[D#0019-DeepID1,DeepID2,DeepID2+和DeepID3](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230019-DeepID1%2CDeepID2%2CDeepID2%2B%E5%92%8CDeepID3\u002FD%230019.md)\n\n[D#0020-Batch-Normalization层原理与分析](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230020-Batch-Normalization%E5%B1%82%E5%8E%9F%E7%90%86%E4%B8%8E%E5%88%86%E6%9E%90\u002FD%230020.md)\n\n[D#0021-机器学习中的过拟合及其解决办法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230021-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%AD%E7%9A%84%E8%BF%87%E6%8B%9F%E5%90%88%E5%8F%8A%E5%85%B6%E8%A7%A3%E5%86%B3%E5%8A%9E%E6%B3%95\u002FD%230021.md)\n\n[D#0023-CNN模型计算量估计](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230023-CNN%E6%A8%A1%E5%9E%8B%E8%AE%A1%E7%AE%97%E9%87%8F%E4%BC%B0%E8%AE%A1\u002FD%230023.md)\n\n[D#0024-CNN模型内存访问估计](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230024-CNN%E6%A8%A1%E5%9E%8B%E5%86%85%E5%AD%98%E8%AE%BF%E9%97%AE%E4%BC%B0%E8%AE%A1\u002FD%230024.md)\n\n[D#0025-CNN中使用卷积代替全连接](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230025-CNN%E4%B8%AD%E4%BD%BF%E7%94%A8%E5%8D%B7%E7%A7%AF%E4%BB%A3%E6%9B%BF%E5%85%A8%E8%BF%9E%E6%8E%A5\u002FD%230025.md)\n\n[D#0026-深度学习检测小目标常用方法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230026-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A3%80%E6%B5%8B%E5%B0%8F%E7%9B%AE%E6%A0%87%E5%B8%B8%E7%94%A8%E6%96%B9%E6%B3%95\u002FD%230026.md)\n\n[D#0027-聊聊2017 ImageNet夺冠的SENet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230027-%E8%81%8A%E8%81%8A2017%20ImageNet%E5%A4%BA%E5%86%A0%E7%9A%84SENet\u002FD%230027.md)\n\n[D#0028-再聊SENet的孪生兄弟SKNet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230028-%E5%86%8D%E8%81%8ASENet%E7%9A%84%E5%AD%AA%E7%94%9F%E5%85%84%E5%BC%9FSKNet\u002FD%230028.md)\n\n[D#0029-CV中的注意力机制](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230029-CV%E4%B8%AD%E7%9A%84%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6\u002FD%230029.md)\n\n[D#0030-类MTCNN的360RIP人脸检测器PCN](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230030-%E7%B1%BBMTCNN%E7%9A%84360RIP%E4%BA%BA%E8%84%B8%E6%A3%80%E6%B5%8B%E5%99%A8PCN\u002FD%230030.md)\n\n[D#0031-知识蒸馏Knowledge-Distillation](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230031-%E7%9F%A5%E8%AF%86%E8%92%B8%E9%A6%8FKnowledge-Distillation\u002FD%230031.md)\n\n[D#0032-CNN可视化之类激活热力图Grad-CAM](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230032-CNN%E5%8F%AF%E8%A7%86%E5%8C%96%E4%B9%8B%E7%B1%BB%E6%BF%80%E6%B4%BB%E7%83%AD%E5%8A%9B%E5%9B%BEGrad-CAM\u002FD%230032.md)\n\n[D#0033-一些分类网络的训练技巧](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230033-%E4%B8%80%E4%BA%9B%E5%88%86%E7%B1%BB%E7%BD%91%E7%BB%9C%E7%9A%84%E8%AE%AD%E7%BB%83%E6%8A%80%E5%B7%A7\u002FD%230033.md)\n\n[D#0034-火箭发射：阿里巴巴的轻量网络训练方法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230034-%E7%81%AB%E7%AE%AD%E5%8F%91%E5%B0%84%EF%BC%9A%E9%98%BF%E9%87%8C%E5%B7%B4%E5%B7%B4%E7%9A%84%E8%BD%BB%E9%87%8F%E7%BD%91%E7%BB%9C%E8%AE%AD%E7%BB%83%E6%96%B9%E6%B3%95\u002FD%230034.md)\n\n[D#0035-2KW短视频打标问题之Activate-Learning](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230035-2KW%E7%9F%AD%E8%A7%86%E9%A2%91%E6%89%93%E6%A0%87%E9%97%AE%E9%A2%98%E4%B9%8BActivate-Learning\u002FD%230035.md)\n\n[D#0036-2KW短视频打标问题之Multi-Modal-Machine-Learning](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230036-2KW%E7%9F%AD%E8%A7%86%E9%A2%91%E6%89%93%E6%A0%87%E9%97%AE%E9%A2%98%E4%B9%8BMulti-Modal-Machine-Learning\u002FD%230036.md)\n\n[D#0037-CentralNet做多模态融合](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230037-CentralNet%E5%81%9A%E5%A4%9A%E6%A8%A1%E6%80%81%E8%9E%8D%E5%90%88\u002FD%230037.md)\n\n[D#0038-Multi-View-Active-Learning做视频推荐](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230038-Multi-View-Active-Learning%E5%81%9A%E8%A7%86%E9%A2%91%E6%8E%A8%E8%8D%90\u002FD%230038.md)\n\n[D#0039-用FCN做分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230039-%E7%94%A8FCN%E5%81%9A%E5%88%86%E5%89%B2\u002FD%230039.md)\n\n[D#0040-用U-Net做分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230040-用U-Net做分割\u002FD%230040.md)\n\n[D#0041-用RefineNet做分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230041-用RefineNet做分割\u002FD%230041.md)\n\n[D#0042-用DeepLabv3+的Encoder-Decoder做分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230042-%E7%94%A8DeepLabv3%2B%E7%9A%84Encoder-Decoder%E5%81%9A%E5%88%86%E5%89%B2\u002FD%230042.md)\n\n[D#0043-用HRNet做分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230043-%E7%94%A8HRNet%E5%81%9A%E5%88%86%E5%89%B2\u002FD%230043.md)\n\n[D#0044-用Network-Slimming做模型加速和压缩](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230044-%E7%94%A8Network-Slimming%E5%81%9A%E6%A8%A1%E5%9E%8B%E5%8A%A0%E9%80%9F%E5%92%8C%E5%8E%8B%E7%BC%A9\u002FD%230044.md)\n\n[D#0045-Stacked-Hourglass-Network-for-Human-Pose-Estimation](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230045-Stacked-Hourglass-Network-for-Human-Pose-Estimation\u002FD%230045.md)\n\n[D#0046-Anchor-Free第一篇CornerNet-Detecting-Objects-as-Paired-Keypoints](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230046-Anchor-Free%E7%AC%AC%E4%B8%80%E7%AF%87CornerNet-Detecting-Objects-as-Paired-Keypoints\u002FD%230046.md)\n\n[D#0047-Anchor-Free第二篇CornerNet的变种ExtremeNet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230047-Anchor-Free%E7%AC%AC%E4%BA%8C%E7%AF%87CornerNet%E7%9A%84%E5%8F%98%E7%A7%8DExtremeNet\u002FD%230047.md)\n\n[D#0048-Anchor-Free第三篇Objects-as-Points](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230048-Anchor-Free%E7%AC%AC%E4%B8%89%E7%AF%87Objects-as-Points\u002FD%230048.md)\n\n[D#0049-Anchor-Free第四篇CenterNet-Keypoint-Triplets-for-Object-Detection](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230049-Anchor-Free%E7%AC%AC%E5%9B%9B%E7%AF%87CenterNet-Keypoint-Triplets-for-Object-Detection\u002FD%230049.md)\n\n## 关于Issues\n\nIssues里面我记录了一些自己要写的内容清单，写完一个就Close一个\n\n## 转载须知\n\n**如需转载，请著名原作者“船长”和原文链接**\n","# 船长黑板报\n\n本黑板报专门记录一些船长在工作学习中的一些心得体会\n\n欢迎各路朋友提Pull Request，或者拍砖、改错别字都欢迎～\n\n## 招聘\n\n本人所在阿里淘系技术部常年招数据挖掘\u002FCV\u002FNLP人才，社招校招实习P5~P9欢迎准备好简历找我**内推**，dupeng63@163.com\n\n## 目录（注：列且仅列已经完成的，点击可直达）\n\n[D#0001-undefined_reference_to_XXX](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230001-undefined_reference_to_XXX\u002FD%230001.md)\n\n[D#0002-hack_your_printf](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230002-hack_your_printf\u002FD%230002.md)\n\n[D#0003-optimizing_cosine_distance_searching_in_a_million_feature-set](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230003-optimizing_cosine_distance_searching_in_a_million_feature-set\u002FD%230003.md)\n\n[D#0004-depthwise_separable_convolutions_in_mobilenet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230004-depthwise_separable_convolutions_in_mobilenet\u002FD%230004.md)\n\n[D#0005-separable_convolutions_in_image_processing](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230005-separable_convolutions_in_image_processing\u002FD%230005.md)\n\n[D#0006-protect_my_function](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230006-protect_my_function\u002FD%230006.md)\n\n[D#0007-compile_git_commit_sha1_into_elf](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230007-compile_git_commit_sha1_into_elf\u002FD%230007.md)\n\n[D#0008-拉格朗日乘子法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230008-%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E4%B9%98%E5%AD%90%E6%B3%95\u002FD%230008.md)\n\n[D#0009-SVM](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230009-SVM\u002FD%230009.md)\n\n[D#0010-从线性回归到对率回归到Softmax激活函数](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230010-%E4%BB%8E%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92%E5%88%B0%E5%AF%B9%E7%8E%87%E5%9B%9E%E5%BD%92%E5%88%B0Softmax%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0\u002FD%230010.md)\n\n[D#0011-kNN](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230011-kNN\u002FD%230011.md)\n\n[D#0012-为什么选交叉熵作为分类问题的损失函数](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230012-%E4%B8%BA%E4%BB%80%E4%B9%88%E9%80%89%E4%BA%A4%E5%8F%89%E7%86%B5%E4%BD%9C%E4%B8%BA%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98%E7%9A%84%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0\u002FD%230012.md)\n\n[D#0013-深度学习调参常用方法总结](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230013-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E8%B0%83%E5%8F%82%E5%B8%B8%E7%94%A8%E6%96%B9%E6%B3%95%E6%80%BB%E7%BB%93\u002FD%230013.md)\n\n[D#0014-数据降维常用方法总结(LDA,PCA)](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230014-%E6%95%B0%E6%8D%AE%E9%99%8D%E7%BB%B4%E5%B8%B8%E7%94%A8%E6%96%B9%E6%B3%95%E6%80%BB%E7%BB%93(LDA%2CPCA)\u002FD%230014.md)\n\n[D#0015-深度学习常用损失函数](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230015-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%B8%B8%E7%94%A8%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0\u002FD%230015.md)\n\n[D#0016-深度学习中不平衡样本的处理](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230016-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%AD%E4%B8%8D%E5%B9%B3%E8%A1%A1%E6%A0%B7%E6%9C%AC%E7%9A%84%E5%A4%84%E7%90%86\u002FD%230016.md)\n\n[D#0017-MTCNN和FaceBoxes](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230017-MTCNN%E5%92%8CFaceBoxes\u002FD%230017.md)\n\n[D#0019-DeepID1,DeepID2,DeepID2+和DeepID3](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230019-DeepID1%2CDeepID2%2CDeepID2%2B%E5%92%8CDeepID3\u002FD%230019.md)\n\n[D#0020-Batch-Normalization层原理与分析](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230020-Batch-Normalization%E5%B1%82%E5%8E%9F%E7%90%86%E4%B8%8E%E5%88%86%E6%9E%90\u002FD%230020.md)\n\n[D#0021-机器学习中的过拟合及其解决办法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230021-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%AD%E7%9A%84%E8%BF%87%E6%8B%9F%E5%90%88%E5%8F%8A%E5%85%B6%E8%A7%A3%E5%86%B3%E5%8A%9E%E6%B3%95\u002FD%230021.md)\n\n[D#0023-CNN模型计算量估计](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230023-CNN%E6%A8%A1%E5%9E%8B%E8%AE%A1%E7%AE%97%E9%87%8F%E4%BC%B0%E8%AE%A1\u002FD%230023.md)\n\n[D#0024-CNN模型内存访问估计](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230024-CNN%E6%A8%A1%E5%9E%8B%E5%86%85%E5%AD%98%E8%AE%BF%E9%97%AE%E4%BC%B0%E8%AE%A1\u002FD%230024.md)\n\n[D#0025-CNN中使用卷积代替全连接](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230025-CNN%E4%B8%AD%E4%BD%BF%E7%94%A8%E5%8D%B7%E7%A7%AF%E4%BB%A3%E6%9B%BF%E5%85%A8%E8%BF%9E%E6%8E%A5\u002FD%230025.md)\n\n[D#0026-深度学习检测小目标常用方法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230026-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A3%80%E6%B5%8B%E5%B0%8F%E7%9B%AE%E6%A0%87%E5%B8%B8%E7%94%A8%E6%96%B9%E6%B3%95\u002FD%230026.md)\n\n[D#0027-聊聊2017 ImageNet夺冠的SENet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230027-%E8%81%8A%E8%81%8A2017%20ImageNet%E5%A4%BA%E5%86%A0%E7%9A%84SENet\u002FD%230027.md)\n\n[D#0028-再聊SENet的孪生兄弟SKNet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230028-%E5%86%8D%E8%81%8ASENet%E7%9A%84%E5%AD%AA%E7%94%9F%E5%85%84%E5%BC%9FSKNet\u002FD%230028.md)\n\n[D#0029-CV中的注意力机制](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230029-CV%E4%B8%AD%E7%9A%84%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6\u002FD%230029.md)\n\n[D#0030-类MTCNN的360RIP人脸检测器PCN](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230030-%E7%B1%BBMTCNN%E7%9A%84360RIP%E4%BA%BA%E8%84%B8%E6%A3%80%E6%B5%8B%E5%99%A8PCN\u002FD%230030.md)\n\n[D#0031-知识蒸馏Knowledge-Distillation](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230031-%E7%9F%A5%E8%AF%86%E8%92%B8%E9%A6%8FKnowledge-Distillation\u002FD%230031.md)\n\n[D#0032-CNN可视化之类激活热力图Grad-CAM](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230032-CNN%E5%8F%AF%E8%A7%86%E5%8C%96%E4%B9%8B%E7%B1%BB%E6%BF%80%E6%B4%BB%E7%83%AD%E5%8A%9B%E5%9B%BEGrad-CAM\u002FD%230032.md)\n\n[D#0033-一些分类网络的训练技巧](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230033-%E4%B8%80%E4%BA%9B%E5%88%86%E7%B1%BB%E7%BD%91%E7%BB%9C%E7%9A%84%E8%AE%AD%E7%BB%83%E6%8A%80%E5%B7%A7\u002FD%230033.md)\n\n[D#0034-火箭发射：阿里巴巴的轻量网络训练方法](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230034-%E7%81%AB%E7%AE%AD%E5%8F%91%E5%B0%84%EF%BC%9A%E9%98%BF%E9%87%8C%E5%B7%B4%E5%B7%B4%E7%9A%84%E8%BD%BB%E9%87%8F%E7%BD%91%E7%BB%9C%E8%AE%AD%E7%BB%83%E6%96%B9%E6%B3%95\u002FD%230034.md)\n\n[D#0035-2KW短视频打标问题之Activate-Learning](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230035-2KW%E7%9F%AD%E8%A7%86%E9%A2%91%E6%89%93%E6%A0%87%E9%97%AE%E9%A2%98%E4%B9%8BActivate-Learning\u002FD%230035.md)\n\n[D#0036-2KW短视频打标问题之Multi-Modal-Machine-Learning](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230036-2KW%E7%9F%AD%E8%A7%86%E9%A2%91%E6%89%93%E6%A0%87%E9%97%AE%E9%A2%98%E4%B9%8BMulti-Modal-Machine-Learning\u002FD%230036.md)\n\n[D#0037-CentralNet做多模态融合](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230037-CentralNet%E5%81%9A%E5%A4%9A%E6%A8%A1%E6%80%81%E8%9E%8F%E5%90%88\u002FD%230037.md)\n\n[D#0038-多视图主动学习用于视频推荐](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230038-Multi-View-Active-Learning%E5%81%9A%E8%A7%86%E9%A2%91%E6%8E%A8%E8%8D%90\u002FD%230038.md)\n\n[D#0039-使用FCN进行分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230039-%E7%94%A8FCN%E5%81%9A%E5%88%86%E5%89%B2\u002FD%230039.md)\n\n[D#0040-使用U-Net进行分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230040-用U-Net做分割\u002FD%230040.md)\n\n[D#0041-使用RefineNet进行分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230041-用RefineNet做分割\u002FD%230041.md)\n\n[D#0042-使用DeepLabv3+的Encoder-Decoder进行分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230042-%E7%94%A8DeepLabv3%2B%E7%9A%84Encoder-Decoder%E5%81%9A%E5%88%86%E5%89%B2\u002FD%230042.md)\n\n[D#0043-使用HRNet进行分割](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230043-%E7%94%A8HRNet%E5%81%9A%E5%88%86%E5%89%B2\u002FD%230043.md)\n\n[D#0044-使用Network-Slimming加速和压缩模型](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230044-%E7%94%A8Network-Slimming%E5%81%9A%E6%A8%A1%E5%9E%8B%E5%8A%A0%E9%80%9F%E5%92%8C%E5%8E%8B%E7%BC%A9\u002FD%230044.md)\n\n[D#0045-用于人体姿态估计的Stacked-Hourglass-Network](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230045-Stacked-Hourglass-Network-for-Human-Pose-Estimation\u002FD%230045.md)\n\n[D#0046-无锚点目标检测第一篇：CornerNet——将目标检测为成对的关键点](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230046-Anchor-Free%E7%AC%AC%E4%B8%80%E7%AF%87CornerNet-Detecting-Objects-as-Paired-Keypoints\u002FD%230046.md)\n\n[D#0047-无锚点目标检测第二篇：CornerNet的变种ExtremeNet](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230047-Anchor-Free%E7%AC%AC%E4%BA%8C%E7%AF%87CornerNet%E7%9A%84%E5%8F%98%E7%A7%8DExtremeNet\u002FD%230047.md)\n\n[D#0048-无锚点目标检测第三篇：Objects-as-Points](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230048-Anchor-Free%E7%AC%AC%E4%B8%89%E7%AF%87Objects-as-Points\u002FD%230048.md)\n\n[D#0049-无锚点目标检测第四篇：CenterNet——用于目标检测的关键点三元组](https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fblob\u002Fmaster\u002FD%230049-Anchor-Free%E7%AC%AC%E5%9B%9B%E7%AF%87CenterNet-Keypoint-Triplets-for-Object-Detection\u002FD%230049.md)\n\n\n\n## 关于Issues\n\n在Issues中，我记录了一些自己计划撰写的内容清单，每完成一篇就会将其关闭。\n\n## 转载须知\n\n**如需转载，请注明原作者“船长”及原文链接。**","# CaptainBlackboard 快速上手指南\n\nCaptainBlackboard（船长黑板报）并非一个可安装的软件工具或代码库，而是一个由阿里技术专家“船长”维护的**深度学习与计算机视觉技术博客合集**。它收录了从基础数学原理到前沿模型架构（如 SENet, Anchor-Free 检测，模型压缩等）的深度解析文章。\n\n因此，本指南旨在指导开发者如何高效地访问、浏览和利用这些高质量的技术资源。\n\n## 环境准备\n\n本项目无需特定的操作系统或复杂的依赖环境。您只需要：\n\n*   **设备**：任意可联网的计算机、平板或手机。\n*   **浏览器**：推荐使用 Chrome、Edge 或 Firefox 以获得最佳的 Markdown 渲染体验。\n*   **网络环境**：\n    *   由于项目托管在 GitHub 上，国内用户访问可能受限。\n    *   **推荐方案**：建议使用 **GitHub 加速镜像** 或配置好网络代理工具。\n    *   **替代方案**：如果无法直接访问 GitHub，可尝试在 Gitee 等平台搜索是否有社区同步的镜像仓库（注：官方源为 GitHub）。\n\n## 安装步骤\n\n**本项目无需安装。**\n\n所有内容均以 Markdown 文档形式存储在 GitHub 仓库中。您可以选择以下两种方式阅读：\n\n### 方式一：在线直接阅读（推荐）\n直接访问 GitHub 仓库页面，点击目录中的链接即可阅读。\n*   **仓库地址**: `https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard`\n\n### 方式二：本地克隆（适合离线阅读或二次整理）\n如果您希望将内容下载到本地进行检索或离线查看，可以使用 `git` 命令：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard.git\n```\n\n*若下载速度慢，可使用加速链接（示例）：*\n```bash\ngit clone https:\u002F\u002Fghproxy.com\u002Fhttps:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard.git\n```\n\n## 基本使用\n\n### 1. 浏览主题目录\n进入仓库根目录后，您会看到按编号排序的文档列表（`D#0001` 至 `D#0049` 等）。每个文档对应一个独立的技术专题。\n\n**核心内容分类速查：**\n\n*   **基础理论与调参**：\n    *   [D#0008] 拉格朗日乘子法\n    *   [D#0013] 深度学习调参常用方法总结\n    *   [D#0021] 机器学习中的过拟合及其解决办法\n*   **经典模型解析**：\n    *   [D#0004] MobileNet 中的深度可分离卷积\n    *   [D#0020] Batch-Normalization 层原理与分析\n    *   [D#0027] SENet 原理分析\n*   **目标检测系列**：\n    *   [D#0017] MTCNN 和 FaceBoxes\n    *   [D#0046-49] Anchor-Free 检测系列 (CornerNet, CenterNet 等)\n*   **图像分割系列**：\n    *   [D#0039-43] FCN, U-Net, RefineNet, DeepLabv3+, HRNet 实战解析\n*   **工程优化与部署**：\n    *   [D#0044] Network-Slimming 模型加速和压缩\n    *   [D#0023-24] CNN 模型计算量与内存访问估计\n\n### 2. 阅读单篇文章\n点击任意标题链接（例如 `D#0013-深度学习调参常用方法总结`），即可在浏览器中查看渲染后的详细笔记。文章内容通常包含：\n*   数学公式推导\n*   网络结构图解\n*   核心代码片段\n*   作者的个人心得与避坑指南\n\n### 3. 参与贡献\n如果您发现错别字或有新的见解想要分享，欢迎通过以下方式参与：\n*   **提交 Issue**：在仓库 Issues 区查看作者待写清单或提出建议。\n*   **提交 Pull Request**： Fork 仓库，修改对应的 `.md` 文件，然后发起 PR。\n\n> **注意**：如需转载文章内容，请务必注明原作者“船长”及原文链接。","某阿里淘系算法工程师正在优化移动端人脸检测模型，面临模型体积过大导致推理延迟高、以及训练过程中样本不平衡导致小类别识别率低的棘手问题。\n\n### 没有 CaptainBlackboard 时\n- 面对 MobileNet 架构中的深度可分离卷积（Depthwise Separable Convolutions），只能重新翻阅原始论文或搜索零散博客，难以快速理解其如何具体降低计算量。\n- 处理人脸数据集中严重的正负样本不平衡问题时，缺乏系统的解决方案总结，只能盲目尝试各种加权方法，浪费大量调参时间。\n- 在估算 CNN 模型在移动端的实际计算量（FLOPs）时，缺乏准确的估算公式和参考案例，导致模型部署后性能未达预期。\n- 遇到编译链接报错\"undefined reference\"或需要保护核心函数符号时，需在不同技术论坛间反复查找碎片化的 C++\u002FLinux 技巧。\n\n### 使用 CaptainBlackboard 后\n- 直接查阅 D#0004 和 D#0005 篇目，快速掌握深度可分离卷积在图像处理和 MobileNet 中的具体原理与实现细节，迅速完成模型轻量化改造。\n- 参考 D#0016 关于深度学习中不平衡样本处理的系统总结，直接应用成熟的采样策略和损失函数调整方案，显著提升了少数类人脸的召回率。\n- 利用 D#0023 提供的 CNN 模型计算量估计方法，在编码阶段即可精准预测模型耗时，避免了无效的模型结构设计。\n- 通过 D#0001 和 D#0006 等工程实战笔记，快速解决了底层编译链接难题及函数符号保护问题，减少了在基础工程问题上的精力损耗。\n\nCaptainBlackboard 将分散的机器学习理论与底层工程实战经验系统化，帮助开发者从“盲目试错”转向“基于成熟方法论的高效迭代”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCaptain1986_CaptainBlackboard_c5dbec6e.png","Captain1986",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FCaptain1986_9590f117.jpg","阿里淘宝天猫部门常年招数据挖掘\u002FCV\u002FNLP社招校招实习P5~P9可找我内推","Alibaba","HangZhou","https:\u002F\u002Fgithub.com\u002FCaptain1986",[80,84,88,92],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",92.6,{"name":85,"color":86,"percentage":87},"C","#555555",5.2,{"name":89,"color":90,"percentage":91},"Makefile","#427819",1.4,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.8,1262,199,"2026-04-15T16:10:47","MIT",1,"","未说明",{"notes":104,"python":102,"dependencies":105},"该项目并非一个可运行的 AI 软件工具，而是一个技术博客\u002F知识库（CaptainBlackboard），用于记录作者在数据挖掘、CV、NLP 等领域的心得体会和文章。仓库内容主要为 Markdown 格式的技术文章，不包含需要安装依赖、配置环境或运行模型的代码程序，因此无特定的操作系统、GPU、内存或 Python 版本需求。",[],[15,14],[108,109,110,111,112],"deep-learning","computer-vision","convolutional-neural-networks","optimization-algorithms","summary","2026-03-27T02:49:30.150509","2026-04-20T07:18:49.373912",[116,121,126,131,136,141,146,151],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},44034,"如何高效地进行超参数调优？","建议采用以下策略：1. 使用二分法进行发散式调参；2. 结合 K 折交叉验证（K-fold Cross Validation）来评估参数效果，以确保模型的泛化能力。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F9",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},44035,"有哪些推荐的近似最近邻搜索（ANN）或向量检索方案？","推荐几种方案：1. 基础方案：计算哈希后粗粒度召回，再进行精准计算；2. 索引方案：使用倒排索引或乘积量化（PQ）；3. 图索引方案：基于图的索引速度更快，可直接尝试 OpenCV 自带的 FLANN 库。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F3",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},44036,"GitHub 页面图片无法加载显示怎么办？","这通常是本地环境或网络问题。参考案例中，在 macOS 系统下使用 Chrome 浏览器可以正常显示。建议检查浏览器设置、网络代理或尝试更换浏览器。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F125",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},44037,"如何实现小目标检测中的数据增强（如复制粘贴小目标）？","可以参考开源工具如 CV_ToolBox。若自行实现，不要直接切割粘贴（cut&paste），建议在边缘使用融合技巧以提升自然度，例如使用 Alpha 加权融合或更复杂的泊松融合（Poisson Blending）。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F122",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},44038,"常见的损失函数和相似度度量有哪些？","常见的损失函数包括：L1 Loss, L2 Loss, Smooth L1 Loss, Hinge Loss, Softmax Loss (KL 散度), 以及 AdaBoost Loss。常见的距离与相似度函数包括：余弦距离（Cosine Distance）和皮尔逊相似度（Pearson Similarity）。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F12",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},44039,"C++ 模板函数未写入头文件会导致什么问题？","如果模板函数的定义没有放在头文件中，链接时会引发 'undefined reference to' 错误。必须将模板函数的完整实现包含在头文件中供编译器实例化。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F1",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},44040,"注意力机制主要有哪些类型？","注意力机制主要分为软注意力（Soft Attention）和硬注意力（Hard Attention）两种类型。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F44",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},44041,"Hinge Loss（合页损失函数）通常应用于什么场景？","Hinge Loss 通常与支持向量机（SVM）结合使用，用于分类任务中的间隔最大化。","https:\u002F\u002Fgithub.com\u002FCaptain1986\u002FCaptainBlackboard\u002Fissues\u002F7",[]]