只有在以下情况，才考虑放弃fit()，改用自定义训练循环（custom training loop）场景举例论文使用了非标准训练策略如 curriculum learning、对抗训练、动态 loss 权重需要精细控制梯度如梯度裁剪、冻结部分层、两阶段优化fit()无法满足数据流需求如多模态输入需复杂同步要调试中间变量如可视化形变场、监控 Jacobian 行为先用fit()跑通 baseline

特性说明无监督无需昂贵的形变标注速度快GPU 上 3D 配准 < 1 秒（传统方法需分钟级）端到端可微支持联合优化拓扑保持微分同胚选项确保解剖合理性开箱即用提供预训练模型、示例脚本、Jupyter Notebook活跃社区GitHub 超 3k stars，持续更新📚 论文：如果你从事医学图像分析、计算解剖学或 AI for Healthcare，VoxelMorph 几乎是非刚性配准的首选工具

问题回答是什么？构建一个新模型，输入是原始图像，输出是位移场是“函数合并”吗？不是函数合并，而是通过张量依赖关系自动组装计算流程是“图优化”吗？❌ 不是。这是高层模型构建；图优化是底层执行时的自动行为为什么需要它？因为unet本身不输出位移场，你需要一个端到端可调用的模型用于训练/推理💡 简单说：unet是“身体”，Conv2D是“手”，def_model是把它们组合成一个能干活的“机器人”。这

张量是多维数组的数学概念名称维度示例形状Python 表示标量0D()5向量1D(3,)[1, 2, 3]矩阵2D(2, 3)张量≥3D(2, 3, 4)三维及以上数组✅ 深度学习中，“张量”常指带数据类型、形状、设备（CPU/GPU）信息的多维数组对象。问题答案Python 原生支持张量吗？❌ 不支持，需依赖第三方库主流张量库有哪些？✅ NumPy（CPU/无梯度）、TensorFlow、PyT

报警解决'User provided device_type of \'cuda\', but CUDA is not available. Disabling'

2. **偏微分方程（PDEs）**：虽然PDEs本身是一个非常复杂且深奥的领域，但对于了解如何应用微分同胚于实际问题（如流形上的动力系统或物理现象建模），掌握基本的PDE理论是必要的。1. **拓扑学**：尽管它探讨的是空间的性质，特别是那些在连续变换下不变的特性，但拓扑学的基础部分相对直观且易于形象化思考。- **TransMorph-diff** 和 **TransMorph-bspl**