SimCLSv2是对SimCLS的改进，之所以有本文，是因为SimCLSv2文章中的描述更能体现当前半监督学习的一般形式，明确描述了半监督学习的落地策略，如何从大模型指导小模型，提升实际场景的效果。SimCLSv2全称：Big Self-Supervised Models are Strong Semi-Supervised Learners，就是更大更强的自监督学习模型，更优的半监督学习器。
本文介绍了无监督学习相关的A Simple Framework for Contrastive Learning of Visual Representations(SimCLS)，以论文的原始形式排列。SimCLS使用对比学习（Contrastive Learning）来获得图像的视觉表示（Visual Representations），或者说是一种抽象特征。对于Resnet，representation是 average pooling layer 的输出向量。
本文主要对ASL（Asymmetric Loss For Multi-Label Classification）进行了介绍，包括ASL的背景、思路、方法等，顺便对ASL的源码，对照论文进行分析和说明。
本文介绍了Deep High-Resolution Representation Learning for Human Pose Estimation的一些基础内容。
这个姿势估计算法源自Simple Baselines，两者在这统称 SimplePose.
本文简要对SimplePose的原理和网络结构点到为止，主要记录了官方实现框架的基本结构、Bug、使用和改造技巧，并附带了一些姿势估计的基础内容。
本文介绍了FreeRTOS队列的创建、发送和阻塞接收的过程和原理，以及基于队列实现的其它系统功能。
本文是关于FreeRTOS在Cortex-M3上的核心技术，主要涉及任务的创建、任务内存管理和任务切换，展示了系统切换到用户级运行FreeRTOS任务的过程。
内存管理基于heap_2，基于Demo FreeRTOS\Demo\CORTEX_STM32F103_Keil。