L-李俊漩的博客

本文探讨了多模态医学AI模型的架构设计与数据集应用。在模型架构方面，MedGemma-4B采用集成式VLM+LLM统一处理图文输入，而MedVLM-R1则采用CLIP编码器与语言模型结合的融合架构。针对皮肤病诊断任务，推荐使用SkinCAP等高质量数据集。文章还介绍了检索增强生成（RAG）技术及其与MCP的结合应用，包括技术原理、论文研究和实现方案，为构建医疗AI系统提供了技术参考。

摘要 视觉语言模型(VLM)通过融合图像编码器和语言模型处理多模态任务。主流架构包括：1)分离的VLM+LLM组合(如CLIP+GPT)；2)统一架构(VLM内含LLM)，如MedGemma采用Gemma架构直接处理图文；3)纯VLM用于分类。典型VLM流程为：图像编码→文本编码→图文融合→LLM解码输出。融合方式包括早期拼接、交叉注意力等。训练方法有监督微调、对比学习和强化学习。医学领域代表模型MedGemma采用一体式Transformer处理，而MedVLM-R1则连接CLIP-ViT和LLM，强化学

利用逻辑回归进行分类

conda 通过environment.yml 新建环境。

【代码】安装pytorch。

特征矩阵包含了所有样本的所有特征信息，是模型输入数据的核心部分。每一行表示一个样本，每一列表示一个特征。它用于描述数据，并为机器学习模型提供结构化的数据格式。截距项（也叫偏置项或bias）是线性模型中的一个常数项，用于调整模型的输出，使模型能够更好地拟合数据。截距项（bias）帮助模型调整输出，使其更好地拟合数据。它允许模型在输入特征为零时，仍然可以预测非零的输出值。在许多机器学习模型中，截距项是一个重要的参数，用来优化模型性能。

simultaneously update w and b 同时更新 w 和 b。Gradient descent algorithm(梯度下降)如果学习率太小，梯度下降会起作用，但是速度会很慢。当接近局部最小梯度下降时，他会自定采取更小的步长。学习率控制更新模型参数w和b时采取的步骤大小。梯度下降可以达到局部最小值，学习率a固定。w减掉一个正数，结果会越来越小。w减掉一个负数，结果会越来越大。大交叉可能无法收敛，甚至发散。

Using Machine Learning KNN (K-Nearest Neighbors) to Solve Problems

Naive Bayes

图像矩阵

矩阵matrix

Pandas DataFrame在预测时同样需要传入一个带有相同特征名称的数据框

一、服务消费者-注册服务中心测试结果二、消费者通过Eureka访问提供者测试结果ConsumerConsumerControllerpackage com.william.controller;import org.springframework.beans.factory.annotation.Autowired;import org.springframewo...