Skip to content

Latest commit

 

History

History
420 lines (299 loc) · 25.8 KB

Teach.md

File metadata and controls

420 lines (299 loc) · 25.8 KB

【理解计算机视觉损失函数】《Understanding Loss Functions in Computer Vision!》 https://medium.com/ml-cheat-sheet/winning-at-loss-functions-2-important-loss-functions-in-computer-vision-b2b9d293e15a

【理解卷积网络目前存在的缺陷】《Understanding the limits of CNNs, one of AI’s greatest achievements》 https://bdtechtalks.com/2020/03/02/geoffrey-hinton-convnets-cnn-limits/

你有特斯拉，我有树莓派，纯手工打造车载车牌识别检测系统，家用车秒变智能车 https://mp.weixin.qq.com/s/mV-S1yqMtaZg2-YWsIUSBA

【Scikit-Learn模型可视化】《Visualize Scikit Models | visualize-sklearn | W&B》 https://app.wandb.ai/lavanyashukla/visualize-sklearn/reports/Visualize-Scikit-Models--Vmlldzo0ODIzNg

【Scikit-Learn机器学习培训课程资料】’Scikit-Learn tutorial' https://github.com/INRIA/scikit-learn-mooc

【用Jupyter远程教学：技巧、资源与最佳实践】《Teaching remotely with Jupyter: tips, resources, and best-practices》 https://discourse.jupyter.org/t/teaching-remotely-with-jupyter-tips-resources-and-best-practices/3683

机器学习工程实战点滴：十个实用的Python编程练习 https://medium.com/modern-nlp/10-great-ml-practices-for-python-developers-b089eefc18fc

【深度学习的数学】《Deep Learning's mathematics》 https://medium.com/@ismail.mebsout.pro/deep-learnings-mathematics-f52b3c4d2576

【写给大家看的机器学习白话介绍】《Machine Learning for Everyone :: In simple words. With real-world examples. Yes, again :: vas3k.com》 https://vas3k.com/blog/machine_learning/

最新版本的OpenCV + OpenVINO的开发配置与演示运行 https://mp.weixin.qq.com/s/3KUjpfm_bZLMceOJu8Ne5g

编程其实是：

  • 1% 写代码
  • 40% 调试代码
  • 15% 喝咖啡休息一下
  • 30% Google搜索错误提示
  • 9% 跟同事一起盯着屏幕
  • 5% 试着从Stack Overflow复制/粘贴解决方案...

麻省理工学院正式免费开放一个 AI 学习网站：aik12-MIT https://aieducation.mit.edu/

机器学习代码完整性自查清单 https://medium.com/paperswithcode/ml-code-completeness-checklist-e9127b168501

神经网络视觉探秘：InceptionV1前5层“漫游” https://distill.pub/2020/circuits/early-vision/

动手学深度学习 https://zh.d2l.ai/chapter_introduction/deep-learning-intro.html

https://study.163.com/course/courseLearn.htm?courseId=1209581854#/learn/video?lessonId=1279974666&courseId=1209581854

【为写出能更快运行的代码，科学家编程人员必须了解的硬件(CPU&内存)知识(Jupyter Notebook)】 https://github.com/jakobnissen/hardware_introduction

François Chollet：回顾自己的学生时代，有件事让我震惊，那就是从来没学过元思维(meta)。 学校教给我们定理和公式，却从没教给你可以用来解决问题的通用过程和技巧，或者，关于如何更好地学习。我们只能靠自己，去弄清楚这部分是怎么回事。 我们的确是这样做的，但过程混乱、举步维艰。 往往通过重复试错，获得第一手经验，效率极低。 元思维(meta)，本质上，是一门科学，是可以被教授的。当然，真正重要的，是学习“如何学习”和“如何解决问题”(甚至是更专业的“如何证明定理”)。 相比之下，学习的内容——具体的知识片段——没那么重要。 我已经忘了学过的所有定理，只有元思维能力者还在。

【交互式机器学习实验集锦】’Interactive Machine Learning Experiments - models training + models demo'

https://github.com/trekhleb/machine-learning-experiments

【机器学习/深度学习/数学交互式工具集锦】“Interactive Tools for ML, DL and Math”

https://github.com/Machine-Learning-Tokyo/Interactive_Tools

我认为CS学位可以更好，如果能教他们:

  • 如何为开源做贡献
  • 了解相关术语，如 敏捷，Scrum，测试驱动开发 等等
  • 如何与团队合作
  • 现代开发语言
  • 软件开发框架
  • 如何准备面试

【神经网络的数学】《Mathematics of Neural Networks》 https://www.dropbox.com/s/ec3y4khbk38e29i/NeuralNetworksEN.pdf?dl=0

Naval：写出来是为了更好地学，而不是为了教。 ​​​​

【线性回归基础与应用：用线性回归预测波士顿房价】《Predicting Boston House prices using Linear Regression》 https://towardsdatascience.com/predicting-boston-house-prices-using-linear-regression-3c6107c662e5

Git 常用命令参考手册：该 repo 汇总了一些比较常用的 Git 命令，以便于大家查阅使用 https://github.com/xjh22222228/git-manual

“事必躬亲”新解：作个算法(Be the Algorithm)——要优化算法，须亲自体验算法所做的、以及所面对的点滴细节

Addy Osmani：把你学到的写下来，这会有助于你加深理解。有时候，只有当你试着解释给别人听，才能看清自己的知识盲点。即使没人读你写的东西，也没关系。你已经因为这样做收获了很多。 ​​​​

【写论文画机器学习框图不再纠结：ML Visuals——开源方式组织的标准化机器学习框图要素/模板库】 https://github.com/dair-ai/ml-visuals

收集了共 86 个可供开发者练习参考的项目创意，其中初级项目 34 个、中级 32 个、高级 20 个，每个项目均附有较为详细的项目参考文档。 https://github.com/florinpop17/app-ideas

【深度卷积网络通俗介绍(PyTorch)】《A Layman’s Guide to Deep Convolutional Neural Networks》 https://towardsdatascience.com/a-laymans-guide-to-deep-convolutional-neural-networks-7e937628605f

Catalin Pit：如何学习新的编程技能？ 1、看一个教程，跟着老师构建应用。 2、在尽量少的帮助下，重建这些应用。 3、复习学到的概念。 4、用学到的概念创建新应用。 ​​​​

【神经网络结构设计/可视化工具大列表】 https://github.com/ashishpatel26/Tools-to-Design-or-Visualize-Architecture-of-Neural-Network

【用小例子深入浅出机器学习/数学基本概念】 https://github.com/ovysotska/in_simple_english

【计算机视觉最佳实践、代码示例和相关文档】 https://github.com/microsoft/computervision-recipes

你真的懂softmax吗？ https://ogunlao.github.io/2020/04/26/you_dont_really_know_softmax.html

Catalin Pit：项目 比 教程 强得多；做 比 看 强得多；主动学习 比 被动学习 强得多。 ​​​​

ConvNetJS 是一个 Javascript 的神经网络实现，自带基于浏览器的 demo https://github.com/karpathy/convnetjs

【手把手从头实现神经网络(w/数学原理)】 https://medium.com/towards-artificial-intelligence/building-neural-networks-from-scratch-with-python-code-and-math-in-detail-i-536fae5d7bbf

【迁移学习让深度学习“零门槛”】《Everyone can use deep learning now》 https://towardsdatascience.com/everyone-can-use-deep-learning-now-8d683f92bce7

【Visual Machine Learning：机器学习交互可视化Demo集锦】

https://github.com/dsgiitr/VisualML

有没有一些图像处理新手可以练习的项目

https://www.zhihu.com/question/269921460

国内一位 AI 工程师沙韬伟在 GitHub 上开放了一套算法理论基础知识。

https://github.com/sladesha/Reflection_Summary

类似 Jupyter Notebook 的交互式笔记本：Starboard。 https://github.com/gzuidhof/starboard-notebook https://starboard.gg/ 通过它，你可以在网页上直接写出可交互、可运行的代码笔记，内置浏览器，零配置，简单易用。并支持应用到个人博客、技术教程、数据可视化、Web Demo 示例、API 文档、机器学习演示、技术报告等多种使用场景上。

XGrad-CAM implementation in Pytorch https://github.com/Fu0511/XGrad-CAM

Best Practices, code samples, and documentation for Computer Vision. https://github.com/microsoft/computervision-recipes

One day workshop for machine learning with scikit-learn https://github.com/amueller/sklearn-one-day

Jupyter Book：用Jupyter Notebooks制作交互式出版质量的文档 https://github.com/executablebooks/jupyter-book https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Fblog.jupyter.org%2Fannouncing-the-new-jupyter-book-cbf7aa8bc72e

Kaggle金牌得主的机器学习教程（泰坦尼克） https://www.kesci.com/home/project/5f69d02471c700003078961b

为什么机器学习算法很难优化(以及如何解决) https://engraved.ghost.io/why-machine-learning-algorithms-are-hard-to-tune/

Animating the Optimization Trajectory of Neural Nets - Create animations for the optimization trajectory of neural nets https://github.com/logancyang/loss-landscape-anim

Minimal implementations/tutorials of deep learning papers with side-by-side notes; including transformers (original, xl, switch, feedback), optimizers(adam, radam, adabelief), gans(dcgan, cyclegan), reinforcement learning (ppo, dqn), capsnet, sketch-rnn, etc https://github.com/lab-ml/nn

A Survey on Understanding, Visualizations, and Explanation of Deep Neural Networks https://arxiv.org/abs/2102.01792

用Unity 3D实现的CNN交互可视化 https://github.com/stefsietz/nn-visualizer

《从头学深度学习》随书代码 https://github.com/SethHWeidman/DLFS_code

visualkeras：Keras/TensorFlow网络架构可视化库 https://github.com/paulgavrikov/visualkeras

Hyperactive：超参优化和元学习工具箱，用于方便快速建立机器/深度学习模型原型 https://github.com/SimonBlanke/Hyperactive

OpenCV with Python in 4 Hours：OpenCV/Python四小时使用教程资料 https://github.com/jasmcaus/opencv-course

YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Pytorch当中的实现'

https://github.com/bubbliiiing/yolov4-tiny-pytorch

Lyra 2：无需代码的交互可视化创建工具 http://vis.csail.mit.edu/pubs/lyra2 https://vega.github.io/lyra/

François Chollet：对自驱型学生来说，Youtube教授是世界上最好的老师——在所有领域。

Net2Vis：浏览器里的神经网络(结构)可视化器 github.com/viscom-ulm/Net2Vis

Machine Learning Algorithms：用Python 3.x’从头实现机器学习算法

github.com/Gautam-J/Machine-Learning

SmallPebble：用Python/NumPy/CuPy从头写的最小化深度学习库 github.com/sradc/SmallPebble

对深度网络来说，“宽”和“深”学到的一样吗？ https://ai.googleblog.com/2021/05/do-wide-and-deep-networks-learn-same.html

深度学习几何基础 towardsdatascience.com/geometric-foundations-of-deep-learning-94cdd45b451d

把离散傅立叶变换看做神经网络 https://sidsite.com/posts/fourier-nets/

Keras实例：SimCLR对比预训练半监督图像分类 https://keras.io/examples/vision/semisupervised_simclr/

InteractML：Unity3D交互式机器学习可视化脚本框架 github.com/Interactml/iml-unity

OpenVINO Notebooks：OpenVINO实验Notebook集锦

github.com/openvinotoolkit/openvino_notebooks

Santiago：机器学习工程师视角用到的数学比例： • 统计与概率：80% • 线性代数：19% • 微积分：1% 可能对你安排数学基础学习有帮助。

Kaggle的免费Pandas教程 https://www.kaggle.com/learn/pandas

Keras实例：基于迁移学习的关键点检测 https://keras.io/examples/vision/keypoint_detection/

3小时OpenCV教程示例项目集 github.com/murtazahassan/Learn-OpenCV-in-3-hours

Know Your Data：帮助研究人员和产品团队理解数据集的工具，目的是提高数据质量，减少公平性和偏见问题 github.com/PAIR-code/knowyourdata

Deep Learning Visuals：深度学习图集，超过200幅可免费使用的深度学习架构/层示意图 github.com/dvgodoy/dl-visuals

VisualDL：飞桨可视化分析工具，以丰富的图表呈现训练参数变化趋势、模型结构、数据样本、高维数据分布等 github.com/PaddlePaddle/VisualDL

Kaggle数据集中心

https://www.kaggle.com/datasets

Group-CAM: Group Score-Weighted Visual Explanations for Deep Convolutional Networks github.com/wofmanaf/Group-CAM

3DB: A Framework for Debugging Computer Vision Models github.com/3db/3db

深度学习入门课、资深课、特色课、学术案例、产业实践案例、深度学习知识百科及面试题库 github.com/PaddlePaddle/awesome-DeepLearning

#linux课程

Deep Learning visuals：深度学习图/可视化集锦 #可视化 github.com/The-AI-Summer/deep-learning-visuals

chitra：用于模型构建、可解释AI、数据可视化、API构建和部署的深度学习库 github.com/aniketmaurya/chitra

xplique：神经网络可解释性工具箱 #TODO

github.com/deel-ai/xplique

微软在 GitHub 开源了一个技术教程：《人工智能系统》，主要讲解支持人工智能的计算机系统设计。课程分为三大模块： 模块一：AI 基础知识与 AI 系统的全栈概述，深度学习系统的系统性设计和方法学； 模块二：将介绍前沿系统和 AI 交叉的研究领域； 模块三：配套的实验课程，包括最主流的框架、平台和工具，以及一系列的实验项目。 GitHub：github.com/microsoft/AI-System 课程设立的主要目的，是为了帮助本科生与研究生，更好的学习深度学习完整生命周期下的系统设计，寻找和定义有意义的研究问题。进一步提高解决实际问题的能力，而不仅仅是了解工具使用。

搜集了各种算法不同语言的实现，有类似动态规划、排序这样的基础算法，也有类似LR、DNN这样的机器学习算法 https://the-algorithms.com/category/neuralnetwork

康奈尔科技校区（Cornell Tech）开源的机器学习 DIY 教学库：MiniTorch，可帮助工程师更好的了解深度学习系统概念。 为了让大家更好的理解技术原理，该库重新实现了 PyTorch 的 API，注重简单和易读、测试与增量，里面还配套了相关教程与技术代码。 GitHub：github.com/minitorch/minitorch ​​​​

深度学习和机器学习的线性代数基础(Python) https://pub.towardsai.net/basic-linear-algebra-for-deep-learning-and-machine-learning-ml-python-tutorial-444e23db3e9e

visualization - a collection of visualization function github.com/rentainhe/visualization

免费课程：端到端机器学习 https://end-to-end-machine-learning.teachable.com/p/complete-course-library-full-end-to-end-machine-learning-catalog

免费书新版：深度学习面试指南——数百个完整答案的工作面试题，广泛覆盖AI领域关键主题 400 多页的深度学习面试和考试题（含解答） https://arxiv.org/abs/2201.00650

Awesome-DeepLearning-500FAQ - 深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述 github.com/shliang0603/Awesome-DeepLearning-500FAQ

ReceptiveFieldAnalysisToolbox：感受野分析工具包 github.com/MLRichter/receptive_field_analysis_toolbox

Zetane Viewer：机器学习模型和内部张量3D可视化工具 github.com/zetane/viewer

Charles Ollion：5年前教深度学习，Jupyter Notebook是主流，有些学生无论干啥都想用Colab在线做。今年的新趋势，是学生们开始用StreamLit、Gradio和HuggingFace为他们的期末项目展示做Demo，不错的方向。

深度学习正则化技术综合指南 towardsdatascience.com/a-comprehensive-guide-of-regularization-techniques-in-deep-learning-c671bb1b2c67

JPEG Sandbox：在浏览器里交互式编辑JPEG图像的单个DCT块 github.com/OmarShehata/jpeg-sandbox

计算机视觉最佳实践、代码示例和相关文档 github.com/microsoft/computervision-recipes ​​​​

Minimal PyTorch implementation of YOLOv3 https://github.com/eriklindernoren/PyTorch-YOLOv3

Data Science for Beginners：微软10周20堂数据科学课 github.com/microsoft/Data-Science-For-Beginners

Artificial Intelligence for Beginners - A Curriculum：微软的12周24节人工智能入门课程 github.com/microsoft/AI-For-Beginners

The Hugging Face Course：Hugging Face生态(Transformers, Datasets, Tokenizers, and Accelerate等)使用教程 github.com/huggingface/course

ML Notebooks：机器学习Notebooks集 github.com/dair-ai/ML-Notebooks

EasyCV：PyTorch一站式计算机视觉工具箱，聚焦自监督学习、图像分类、度量学习、目标检测等方面 github.com/alibaba/EasyCV

Elements of AI 免费AI入门课程(赫尔辛基大学) https://course.elementsofai.com/ https://buildingai.elementsofai.com/

魏茨曼科学研究院《计算机视觉深度学习：基础和应用》课程 dl4cv.github.io

Best-of Machine Learning with Python，里面收录了一些比较实用的机器学习与 Python 开源项目与工具。 收录项目共计 900 多个，包括数据可视化、自然语言处理、文本与图像数据、Web 爬虫等分类。 github.com/ml-tooling/best-of-ml-python ​​​​

深度学习架构、模型和技巧集合(TensorFlow/PyTorch) github.com/rasbt/deeplearning-models

《动手学习深度学习》笔记和相关的Jupyter代码 github.com/HIT-UG-Group/DeepLearning-MuLi-Notes

GameShell: 通过玩游戏学习Unix shell命令 github.com/phyver/GameShell

【Andrew NG深度学习专项课程手写笔记】’Andrew NG Notes Collection - This is Andrew NG Coursera Handwritten Notes.' by Ashish Patel GitHub: github.com/ashishpatel26/Andrew-NG-Notes

日本开发者在 GitHub 开源的一款图像处理节点编辑器：Image-Processing-Node-Editor。

通过该工具，可以辅助并完成深度学习的各项图像处理工作，快速验证、对比各个图像在不同条件下的执行结果。 GitHub：github.com/Kazuhito00/Image-Processing-Node-Editor ​​​​

Kaggle机器学习/数据科学/数据可视化/深度学习入门Notebook推荐: Data ScienceTutorial for Beginners Machine Learning Tutorial for Beginners Python Data Visualizations Scikit-Learn ML from Start to Finish TensorFlow deep NN

【十分钟入门MLOps】《MLOps in 10 Minutes》by Alexey Grigorev towardsdatascience.com/mlops-in-10-minutes-165c746a9b8e

从零开始实践深度学习的好代码 【《Grokking Deep Learning(深入深度学习)》随书代码(Jupyter Notebooks)】GitHub: github.com/iamtrask/Grokking-Deep-Learning

【机器学习核心概念的可视化解释】

“MLU-Explain - Visual explanations of core machine learning concepts” mlu-explain.github.io/

【Teacherbot：面向教师的AI工具，根据提示生成教学相关内容，包括课程大纲、内容摘要、课堂练习等】“Teacherbot - can create anything teachers need” https://teacherbot.io/?invite=ED4LT7

【神经网络的数学】《The Mathematics of Neural Networks - Speaker Deck》 https://speakerdeck.com/gpeyre/the-mathematics-of-neural-networks/

【Visual Blocks：Google的可视化编程框架，可以在无需编程的图形编辑器中创建机器学习(ML)流水线。可以通过连接拖放的ML组件(包括模型、用户输入、处理器和可视化)快速原型化工作流程。Visual Blocks提供了节点图编辑器、预置的ML模型和组件库以及输出展示和比较功能，旨在降低ML多媒体应用的开发门槛、加速工作流，并方便用户分享和发布应用】'Visual Blocks - Visual Blocks for ML is a Google visual programming framework that lets you create ML pipelines in a no-code graph editor. You – and your users – can quickly prototype workflows by connecting drag-and-drop ML components, including models, user inputs, processors, and visualizations.' GitHub: github.com/google/visualblocks

【attention：可视化LLM注意力权重】'attention - visualizing attention for LLM users' Matt Neary GitHub: github.com/mattneary/attention

今天做了一个关于如何做架构设计的分享，其中有个很重要的问题就是如何更好的做技术决策，我针对我们前端团队整理了5条做技术决策的原则。 原则 0: 遵守公认的好的设计原则，比如说：

  • DRY - Don't repeat yourself （不要重复自己）
  • KISS - Keep it Simple, Silly （让设计尽可能的简单）
  • YAGNI - You aren't gonna need it （只做刚刚好的设计，不要过度设计）
  • … 其他 原则1: 找出最本源的需求，而不应该局限于当前的技术实现和资源 很多时候我们很容易被表面需求所误导，类似于乔布斯的名言：“如果亨利福特在发明汽车之前去做市场调查，他得到的答案一定是大家想要一辆更快的马车。”，如果我们在做设计和技术决策的时候，没有找出用户的真实需求，很容易就会在错误的方向上狂奔，做很多无用功！ 要找出本源的需求，还是需要多问为什么，多和干系人沟通，少考虑技术细节，少被现有的技术所误导或局限。
  • 案例：设计部门希望设计系统支持Angular （更多案例参考图一）(https://wx2.sinaimg.cn/mw690/66fd066bgy1gzyz7i952dj21wm10sqra.jpg) 我们设计部门最近希望我们的设计系统提供Angular版本，因为当前只支持React版本。 从这个需求来看，表面是是要我们开发Angular版本，其实如果仔细追问他们到底为什么需要Angular版本，是因为有一个团队还在用Angula，他们希望这个团队能用我们的设计系统，但是人家表示用不了。其实本源的需求是希望有更多的团队用设计系统，而不是要支持Angualr。 那要满足这个团队的这个需求，是不是非要做一个Angular版本不可呢？当然不需要，如果我能提供一个类似于BootStrap的HTML和CSS版本，其实他们一样能用起来，而这么做成本不高，并且别的团队也可以用。 原则2: 聚焦于 “收益”、“成本”和“风险”三者之间的平衡，而不是技术本身 （图二）(https://wx3.sinaimg.cn/mw690/66fd066bgy1gzyzeepl2tj21wn10wn40.jpg) 每一次技术决策，其实本质上就是一次取舍（Trade-Offs） 每一次取舍（Trade-Offs），本质上就是在“收益”、“成本”和“风险”三者之间的平衡 既然每一个决策都涉及到收益成本风险，那么就不能只看收益而无视成本和风险。就像前一个案例中提到的，设计部门考虑的是Angular版本带来的收益，但是他们却忽略了打造一套Angular版本的设计系统所需要的成本，以及可能带来的巨大风险。（图三）(https://wx2.sinaimg.cn/mw690/66fd066bgy1gzyzffq7igj21wz10o7e9.jpg) 所以在做技术决策的时候，理性的考虑一下 决策背后的收益、成本和风险的关系是很必要的，而不是仅靠喜好或者直觉来做决策。 原则3: 选择某个技术背后的生态系统而不是某个技术 这条原则特别适用于前端领域，在前端，各种新技术、框架、工具层出不穷，如果总是追新，或者被某个软文吸引轻易选择了某个技术，最终会带来巨大的成本。 案例：为什么我们从Preact迁移到React 在早些年的时候，我们前端选择了Preact作为UI渲染技术，这有早年React License的原因，也有Preact更小性能更好的原因。 然而这些年在使用过程中，还是有很多不足的地方，核心原因都是生态不够好。 比如说Preact调试很麻烦，因为它不像React有一个强大的DevTools；比如说我们遇到过Preact在服务端渲染的内存泄漏问题，如果像我们这样大规模访问量的用户多一点，可能早就有人踩过坑了，不需要我们去花很长时间定位并最终去解决这个问题；比如最近我们在集成Nextjs，Nextjs是完全为React设计的，对Preact兼容性并不好。 这样的案例还很多（图四）(https://wx4.sinaimg.cn/mw690/66fd066bgy1gzyzjuxwh2j21wr10utq0.jpg)，所以选择技术，它背后的生态和社区活跃度很重要。 原则4: 不仅要考虑如何构建，还要考虑如何维护 （图五）(https://wx3.sinaimg.cn/mw690/66fd066bgy1gzyzwc7m89j21wv10xk2v.jpg) 这是一个常见的问题，很多人只管搭建新项目的时候爽，而不管后续维护是不是困难，用了一堆自己喜欢的新技术，最后难以维护。下一个人接手了，搞不好会推翻重写一遍，这样的循环一次又一次。 这样的错误我也常犯，比如2年前React Hooks刚出的时候，我就迫不及待用它来替代Redux，结果上线后发现不好维护，有Bug也不好定位，不像以前Redux，数据流特别清晰，借助工具非常好重现和定位问题，最终上线没多久就改回去了。 所以现在在做技术决策的时候，我们很注意的一个问题就是将来维护的时候是不是很麻烦。 包括我在代码审查的时候，有时候看到一些功能能运行的很好PR，但是代码写的比较难懂的，或者没有遵守最佳实践的，只要是给未来的维护造成麻烦的，我都会毫不犹豫要求重写，避免增加未来的维护成本。 上面就是我们现在实践的五个技术决策原则：
  • 原则 0: 遵守公认的好的设计原则
  • 原则 1: 找出最本源的需求，而不应该局限于当前的技术实现和资源
  • 原则 2: 聚焦于 “收益”、“成本”和“风险”三者之间的平衡，而不是技术本身
  • 原则 3: 选择某个技术背后的生态系统而不是某个技术
  • 原则 4: 不仅要考虑如何构建，还要考虑如何维护 这些原则绝大部分时候都可以很好的帮助我们做出正确的决策，避免踩坑。但我也会一直在反思曾经做过的决策，对于做出的不太好的决策，会反过来考虑是否要修订这些原则，最终通过不断完善决策原则，帮助我和团队更好的做出技术决策。 最后，推荐一下左耳朵耗子写的一篇：《我做系统架构的一些原则》我做系统架构的一些原则 ，非常有借鉴和参考价值。