Transformer是一种基于自注意力机制（Self-Attention）的深度学习模型，最初由Vaswani等人于2017年提出。其核心优势在于并行化处理能力和对长距离依赖关系的有效建模，广泛应用于自然语言处理（NLP）、计算机视觉（CV）和多模态任务。Transformer的整体架构：左侧为 Encoder block，右侧为 Decoder block。

浏览器会自动打开Jupyter界面，新建的Notebook将默认使用该环境的Python内核。进入jupyter notebook，点击new，新建文件，编写代码后点击运行。任务栏搜索并打开Anaconda Prompt，输入以下命令创建新环境（将。替换为自定义环境名，

Import 语句是否影响模型替换说明argparse❌ 否命令行解析，无关❌ 否工具函数⚠️ 间接相关需确保你的 Trainer 能被正确加载❌ 否plans 配置，不影响网络结构❌ 否只管加载权重⚠️ 仅 cascade 时相关若用 cascade，需确保你的模型输出能被正确保存/读取Trainer 类导入✅ 核心！你需要继承它们，并重写。

nnUNet作为医学图像分割的框架去使用十分的方便，所以可以简单地学习了解一下它的代码。这里只讲部分重要代码以及使用。注：介绍的是nnunetv1版本，因为作者的条件限制，目前只能使用v1版本，虽然比较古老且代码条理不够清晰，但也够用，还请见谅。关于nnunet的介绍以及简单使用可以看博主的这两个文章：https://blog.csdn.net/qq_73038863/article/detail

我所学习的文章中提到创建一个名为Task01_BrainTumour的文件夹（解释：这个Task01_BrainTumour是nnUNet的作者参加的一个十项全能竞赛的子任务名，也是我要实践的分割任务，类似的还有Task02_Heart，就是分割心脏的。（4）进入上面第二个文件夹nnUNet_raw，创建nnUNet_cropped_data文件夹和nnUNet_raw_data文件夹，右边存放原

Zig-RiR（Zigzag RWKV-in-RWKV）是一种专为高效医学图像分割设计的新型神经网络架构，由 Chen 等人在 2025 年提出。它基于 RWKV（Receptance Weighted Key Value） 模型——一种具有线性计算复杂度、能高效建模长序列的类 Transformer 架构——并针对医学图像的特性进行了关键性改进。注：关于RWKV的讲解请看博主的这篇文章：htt