钱多多先森

原创 【AI面试】 Python 的装饰器

Python装饰器是一种高阶函数，用于在不修改原函数代码的情况下增强其功能。它通过@语法糖接收目标函数作为参数，并返回一个包含额外逻辑（如日志、缓存、权限验证等）的新函数。装饰器的核心价值在于代码复用和解耦，符合开闭原则，典型应用包括性能分析、权限控制等场景。例如，@timer_decorator可自动为函数添加耗时统计功能。本质上，@decorator等价于func = decorator(func)，实际调用的是装饰器返回的包装函数。进阶技巧包括使用@functools.wraps保留原函数元信息。装饰

原创 【AI面试】Agent 智能体开发常见面试问题

划定能力范围，管理用户预期- 核心解决的问题（1-2句话）- 输入/输出格式说明- 能力边界：✅能做什么 / ❌不能做什么- 技术前提（如 ".docx 本质是 ZIP+XML"）✅关键内容用表格或列表清晰呈现边界提前声明格式/协议等硬性要求⚠️避坑：避免模糊表述，如"可能支持"，应明确"不支持"模块核心价值关键产出元数据精准路由触发条件清单概述管理预期能力边界表决策树降低误用场景→流程映射工作流可执行性原子化操作指南技术规范减少歧义关键参数/命令工艺要求。

原创 【AI面试】Agent、Skills、Function calling、MCP 的区别与联系

Skills、MCP、Agent、Function calling 的本质区别，一张图讲清楚

原创 【AI面试】CV 领域中的 Transform: ViT、 Swin Transformer

🔹BERT是 Transformer 在NLP领域的成功实践；🔹ViT是把 BERT 的思路"复制"到CV领域的开创性尝试；🔹是针对 ViT 的缺陷，结合 CNN 思想做的CV 专用优化版。

原创 【Dify】Dify 使用“代码执行”创建 echarts 图表

本文介绍了在Dify平台上实现数据可视化的三种方案，重点推荐了使用ECharts图表的方案。文章首先展示了如何在Dify中通过Python代码生成柱状图和环形图，详细说明了配置参数和使用方法。随后全面介绍了ECharts的特性，包括其丰富的图表类型、交互功能和响应式设计。文章还解释了Dify平台如何通过Markdown代码块实现ECharts的自动渲染，并分析了ECharts适用于开发者、数据分析师等多种用户群体的优势。整体而言，ECharts被证明是一个功能强大、使用简便的数据可视化工具，特别适合在Dif

原创 【Dify】使用 python 调用 Dify 的 API 服务，查看“知识检索”返回内容，用于前端溯源展示

本文介绍了如何使用Dify HTTP API实现聊天问答功能，支持文本和图文交互。主要包含三个核心接口：上传文件获取ID、发送聊天消息（可携带图片）和删除会话。脚本提供了极简封装类DifyChat，包含安全响应解析和可选会话管理功能。使用时需配置API地址、密钥和用户标识，支持纯文本问答和图文问答两种模式，并详细说明了流式输出、多用户适配等扩展场景的实现方法。文中还特别强调了204空响应等异常情况的处理，确保代码健壮性。

原创 DINOv123系列论文学习

原创 AI算力与数据：支撑AI巨人的双肩 PPT 下载

AI算力与数据：支撑AI巨人的双肩PPT，可以下载可编辑PPT源文件

原创 【论文横评】DETR、Deformable DETR、DINO和 Grounding DINO 横评

基于 Transformer 的目标检测模型演进中的重要工作，四者一脉相承，逐步解决了检测任务的效率和泛化能力问题

原创 【论文精度】OV-DINO：Unified Open-Vocabulary Detection with Language-Aware Selective Fusion

OV-DINO，基于语言感知选择性融合的统一开放词汇检测，从数据预处理，到模型进行改进的新SOTA

原创 【论文精度】DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection

DINO论文，一种引入DeNoising的目标检测模型，DINO系列的开端

原创 【论文精读】MM GroundingDino：An Open and Comprehensive Pipeline for Unified Object Grounding and Detection

商汤开源的MM Grounding Dino 论文，是对Grounding Dino的开源实现

原创 【论文精度】Grounding DINO：Marrying DINO with Grounded Pre-Training for Open-Set Object Detection

论文Grounding dino精度理解，开集目标检测中里程碑式的论文

原创 基于 MONAI 的 3D 图像分割任务2（Brain Tumour 和 SwinUNETR 训练）

一个训练和评估的案例，包括了训练全部代码，可以直接参考

原创 基于 MONAI 的 3D 图像分割任务1（数据增强可视化）

monai库在医学影像中的应用进行介绍，同时进行可视化与增强操作

原创 【3D 图像分割】unetr_plus_plus（UNETR++、nnU-Net）系列数据处理理解汇总

3D分割数据规范化处理学习记录

原创 【AI面试】工作和面试过程中，经常遇到的其他问题汇总二（持续更新）

发散性问题汇总，考察灵活性和思考性

原创 【AI面试】工作和面试过程中，经常遇到的其他问题汇总一（持续更新）

发散性的提问的汇总，考察日常工作学习的灵活性能力

原创 【AI面试】FPN、PANet、SPP、ASPP、Adaptive feature pooling

神经网络中设计的小trick，未完待续，先看着

原创 【医学影像数据处理】nii 数据格式文件操作汇总

nii文件格式，在对医疗数据处理的过程中，无处不在，是一个最最经常会遇到的。了解和操作nii文件，对其中可能遇到的问题有一些基础的了解，至关重要。但是，现在我更喜欢nrrd文件了，不知道你是否知道nrrd文件。

原创 yolo v5 中 letterbox对不规则矩形框的输入调整

yolo v5 中 letterbox对不规则矩形框的输入调整的理解与记录

原创 【AI面试】YOLO 如何通过 k-means 得到 anchor boxes的？Yolo、SSD 和 faster rcnn 的正负样本定义

研究发现，目标检测算法中，正负样本的比例对于模型的优化起到了非常重要的作用。并且，一般情况下，GT中标记的bbox是比较少的，anchor要与其匹配，满足条件的才能够被标记为阳性，否则就会被标记为阴性，或者被丢弃。

原创 【3D 图像分类】基于 Pytorch 的 3D 立体图像分类4（多人标注的结节立体框合并和特征等级投票）

多人背靠背标注后，对标注结果进行汇总统计处理

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割11（预测结果 Recall 和 FPAR 评估）

敏感度和平均一个检查有多少假阳性，是实际使用中，比dice系数更有代表性的指标。本文就对这一指标进行评估，完整介绍其中的每一步细节

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割10（测试推理篇）

单个裁剪patch的预测是简单的，而本文将从crop和merge两个阶段，在预测推理中并到一起，更加的简洁明了

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割5（训练篇）

对训练过程进行了整体的梳理，和对其中缺失的模型进行了补全。通过本篇文章，可以快速的将模型和数据部分串联成一个整体

原创 【3D图像分割】基于 Pytorch 的 3D 图像分割4（优化数据流篇）

对上一篇数据流存在的问题进行分析和解决，构建新的数据形式，和可视化方法

原创 【3D图像分割】基于 Pytorch 的 3D 图像分割3（3D UNet 模型篇）

3D UNet 模型的搭建，提供了思路，帮助你快速而全面的了解该模型，并通过预测试方式，了解模型情况

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割7（数据预处理之 resample 数据到 1mm 统一尺度）

luna16数据预处理的第二部分，到这部分也就完成了我们的设定的目标，得到了我们预先想要得到的数据

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割6（数据预处理之LIDC-IDRI 标签 xml 标签转储及标记次数统计 ）

对lidc-idri数据的预处理。尽管之前已经告知了一种处理方式，本文将采用更加易于理解的方式，对这部分数据进行处理

原创 【医学影像数据处理】 XML 文件格式处理汇总

xml文件的学习记录，对xml文件的格式和操作方式有个深入的了解

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割2（基础数据流篇）

深度学习Pytorch 的3D医学影像分割任务，本文对基础数据读取类进行了构建。从中掌握数据构建的方法，以及在该方法下发现的问题，以供下一步改进

原创 【3D 图像分割】基于 Pytorch 的 3D 图像分割1（综述篇）

深度学习中 Pytorch 框架的 3D 图像分割项目，项目背景为CT 肺部结节医学影像的分割任务，使用到的数据集是LIDC-IDRI，相信参考本文会对你在这个领域的任务有个较为深入的了解

原创 【RK3588 第四篇】YOLO V5中pytorch2onnx，pytorch和onnx模型输出不一致，精度降低

pytorch转onnx模型发现的问题，以及转rknn出现的精度下降，同时验证了新的pytorch转onnx模型出现的麻烦事

原创 Python数据系列（五）- 张量Tensor：数据 flow 的“血液”

tensor数据操作的功能汇总，一篇就够了

原创 【RK3588 第三篇】模型精度优化指南、和精度问题查找

瑞芯微版本模型部署中精度指南和问题查找

原创 【RK3588 第二篇】YOLO V5在瑞芯微板子上部署问题记录汇总

yolov5部署到rk3588遇到的问题，和解决方案汇总

原创 【乳腺超声、乳腺钼靶、宫颈癌、CT骨折】等项目数据调研，及相关参考内容整理汇总

本文作为一个项目调研笔记，方便更多需要的人可以参考。如果万幸你也在做同样的项目，那直接借鉴就可以了

原创 【RK3588 第一篇】Firefly 瑞芯微板子入门知识、和环境篇汇总

瑞芯微芯片基本知识和初步搭建环境篇

原创 【医学影像数据处理】 Dicom 文件格式处理汇总二（Python格式转换）

Dicom数据存储格式，是医学领域通用的数据传输形式，本文将围绕dicom与医学算法展开