01它能帮你做什么
✓不同维度的夹角分布
✓分块统计向量对
✓优化前后热图与分布对比
✓环境变量控制实验规模
使用前准备
- 支持 CUDA 的 GPU 与匹配的 CuPy 环境
- Python、NumPy、Matplotlib
- 足够显存，规模应按设备调整
02从这里开始
确认计算环境
按自己的 CUDA 环境安装匹配的 CuPy，先确认程序能够识别 GPU。
运行小规模网格实验
下面是 Bash 环境下的小规模示例；其他终端按其方式设置同名环境变量。
MODE=grid VECTOR_COUNTS=200 DIMS=32 BLOCK_SIZE=128 python main.py读取输出图
检查向量数量、维度、夹角坐标和总配对数，比较不同维度时保持生成条件一致。
再研究优化模式
阅读 OPT_NUM_VECTORS、OPT_DIM 和 OPT_STEPS 等参数后逐项修改，比较初始与最终分布。
03用一个例子看明白
案例使用示例或虚构数据，用于说明流程，不代表真实业务效果。
04获取文件
选择需要的文件。固定版本保留原始内容，可用校验值确认下载完整性。
vector-lab-2026.10.22-source.zip
查看 SHA256 校验值
e912f6640317d28d1bd28295c7a8ccca8eb6dc7bcaf87f65a22f2470f75c6fc7需要 GPU 环境，未在发布阶段重新运行计算；不把历史图片作为本次性能测试。
05你可能会遇到的问题
没有 NVIDIA CUDA 环境能直接运行吗？
当前入口直接使用 CuPy CUDA，其他计算环境需要改写或另行适配。
向量很多就一定能两两正交吗？
不能，向量数与维度存在数学约束，实验应结合对应理论解释。
06适用范围与当前限制
- 大量两两计算会消耗时间与显存。
- 本次没有在目标 GPU 上重跑，不提供性能保证。
本页资料整理于 2026-10-22。这不是运行兼容性验证日期。下载包有完整性校验；依赖外部系统的真实操作，请按所需权限和环境使用。