本文主要对近七年U型网络改进工作，Transformer与U型网络的结合，在Synapse和ACDC数据集上进行对比实验，最后证明transformer在图像分割上更有优势。创建新变体过程如旋转，剪切，擦除，噪点引入，遮挡，弹性变形，缩放等。黄高博士在DenseNet［26］中提出，在神经网络 中，先前层与后续层相连接共同作为下一层的输入，通过最大 化信息流以消除梯度消失，并加强特征传播、鼓励特征

解决word格式编辑一处，其余内容格式都跟着一起变化的问题_word调一行其他都跟着变-CSDN博客

选上这两个就好。

1.搜索word，然后右击word，选择文件所在位置。这里的wordicon.exe文件就是对应的一系列word图标。找到目标图标的位置：（这个找寻方式放文末）打开下载后的软件后，点击这个。打开网页后划到最下面下载。2. 右键，点击属性。

值得注意的是，可能点击替换后，word中字母好像没变化，但别担心，其实是已经替换了的。可以关闭word，然后重新打开，来检验下是不是成功替换。

2.右键选择修改，再点击左下角的格式，选择段落，然后选择 换行和分页。最后取消掉与下段分页，和段中不分页。最后点击确定来关闭所有对话框。1.光标定位到该级标题，然后找到上面对应标题，

检索增强生成是一种结合外部知识检索生大语言模型(LLM)生成能力的技术框架，主要用于解决大模型在处理需要实时或特定领域知识时的”幻觉”问题（如事实性错误、知识过时Retrieval-Augmented Generation (RAG,等）。3.文档分段：将长文档切分为合适长度的片段（如200-500字），避免信息过载，同时保留上下文完整性。1.查询解析：对用户输入进行预处理（分词，去除停顿用词，语

预训练：通过海量的输入得到输出，然后计算loss值，不断调整参数的过程。微调：（监督微调SFT）投入特定的文本进行训练。用小矩阵乘法，去适配大矩阵参数的一个过程。

如果找不到过去的训练资料的话，可以让给模型一些问题以及部分答案，然后让模型回答答案并顺着继续追问，这样不断生成新的问题和答案，从而得到训练资料。post-training 最大的挑战是，模型会可能忘了旧的技能或能力.微调的时候最好混5%的前一阶段的资料，防止模型遗忘已经学到的知识技能。原因，后训练的时候，更加关注到了我们想要的技能，而忽略了其他技能。学得多一些，忘得可能多一些，学的少一些，忘的往往

但其实后面发现推理过短也不好，所以认为设定，如果超过某个长度，直接让他不说了，如果过短就强制把end替换为wait，然后继续输出。对推理结果进行打分，把得出正确结果的收集起来，然后对推理长度做平均，超过平均长度的认为是不好的，短于平均长度的认为是好的。可以训练的时候用老师学生模型，选择推理最短，且回答正确的作为学生模型的训练资料，来学习最短的推理过程。所以有时候训练的时候可以让中间是错误的，知道是