在 MedImageInsight 中，介绍了由微软发表，第三方发布的医学图像嵌入模型，本文将以其中的 Text Encoder 为例，浅析 Embedding 模型的工作原理。

Embedding 模型是一种将高维数据（如文本、图像等）转换为低维向量表示的模型。通过这种转换，模型能够捕捉数据的语义信息，使得相似的数据在向量空间中距离更近。

以 lion-ai/MedImageInsights 中的 Text Encoder 为例（其使用的分词器只支持英文），输入 ["lumbar spine...

在 Mac 上无论使用命令行工具，还是右键菜单打包、压缩文件，在其他操作系统打开时，都会看到一些隐藏文件，例如：

Mac 文件系统中包含如下内容：

$ tree -a
.
├── .DS_Store
├── file1
├── file2
├── file3
└── test
    ├── .DS_Store
    ├── file1
    ├── file2
    ├── file3
    └── test
        ├── .DS_Store
        └── test

3 directories, 9 files
# 打包
$ tar -...

https://docs.pytorch.org/docs/stable/generated/torch.nn.Embedding.html#torch.nn.Embedding

nn.Embedding(num_embeddings, embedding_dim) 可以看成是一个查表词典：

• 有 num_embeddings 行，每一行是一个 embedding_dim 维的向量。
• 输入是索引（比如单词 ID、类别 ID），输出是对应行的向量。

max_norm 的作用：

给这个“词典...

豆瓣评分 9.3

本书中的所有代码示例均可在Manning出版社的官方网站(https://www.manning.com/books/build-a-large-language-model-from-scratch)和GitHub(https://github.com/rasbt/LLMs-from-scratch)上找到

https://magazine.sebastianraschka.com

https://sebastianraschka.com

• [PAD]（...

• 原文地址：https://wyiyi.github.io/amber/2025/12/20/CTE/

在开发过程中，发现在 MYSQL 的 Mapper 文件中会用到 WITH 关键字，有一些疑问：为什么要用WITH 和 WITH RECURSIVE ？是什么？有何区别？

MySQL 从 8.0 开始支持 WITH 语法，即：Common Table Expressions （CTE），公用表表达式。

CTE 是一个命名的临时结果集合，仅在单个 SQL 语句（select、insert、update...

MedImageInsight: AN OPEN-SOURCE EMBEDDING MODEL FOR GENERAL DOMAIN MEDICAL IMAGING 论文中提出了一个用于医学图像的开源嵌入模型：MedImageInsight。该模型采用类似 CLIP 的双塔架构，一个塔是图像编码器，另一个塔是文本编码器：

MedImageInsight 在未经微调的情况下，即可在分类、图像检索、报告生成等多种医学图像任务中表现出色：

该论文主要作者来自微软相关团队，在网络上搜索 MedImageInsight...

DICOM（Digital Imaging and Communications in Medicine，医学数字成像和通信）是一种用于存储和传输医学影像数据的国际标准。

自从 1985 年首次发布以来，DICOM 标准已经经历了多次修订和扩展，以适应不断发展的医学影像技术和需求。当前最新版本为 2025e，历史版本可见 历史版本 和 各版本多种文件格式归档。

DICOM 数据字典定义了 DICOM 文件中使用的各种数据元素及其属性。以下是一些常见的数据元素及其含义：

本文以 PyCharm 纯离线模式官方文档 为例，对其中一些不太清晰的地方进行补充说明，可作为使用 JetBrains IDE 在离线环境进行远程开发的指引。

• 服务器均无法连接互联网
• 一台或多台远程开发服务器（拥有本地机器中不具备的源码、运行时环境、GPU 等）
• 一台 HTTP 服务器（可以与远程开发环境使用相同服务器）
• 本地机器（无需安装 IDE，本例中即为无需安装 PyCharm）
• 有可联网环境，能下载必须资源，并传输至离线环境

本文可作为 使用教程：如何在 RAGFlow 中使用 MinerU 的补充，介绍如何在内网环境下配置 MinerU 解析器以供 RAGFlow 使用。

1. 已通过 docker 的形式在内网环境部署 RagFlow
2. RAGFlow 版本 >= v0.21.1
3. 有内网环境 pip 源

在 .env 文件中添加如下内容：

MINERU_EXECUTABLE=/ragflow/uv_tools/.venv/bin/mineru
MINERU_MODEL_SOURCE=local

其中 MINERU_MODEL_SO...