准备好这些
- 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
以下步骤以项目当前整理的代码与文档为依据。外部平台和业务系统可能发生变化；完整限制见项目详情。
操作步骤
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。
用案例检查理解
以下为虚构数据与预期操作示例，用于理解流程，不代表真实业务执行结果。
查看「比较 32 维与 128 维的随机向量」 ↗常见问题
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。
相关文件
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。