所有文章 - mywebsitehttps://steven-yl.github.io/mywebsite/posts/所有文章 | mywebsiteHugo -- gohugo.iozh-CNsteven@gmail.com (Steven)steven@gmail.com (Steven)This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.Fri, 03 Apr 2026 00:00:00 +0800TorchCode 技术文档索引https://steven-yl.github.io/mywebsite/readme/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/readme/从零实现算子的练习项目配套文档索引，链向总览与各章详解。第七章：高级主题（TorchCode）https://steven-yl.github.io/mywebsite/07_advanced_topics/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/07_advanced_topics/TorchCode 文档第七章：分词、量化与 RLHF 损失。第六章：推理与解码策略（TorchCode）https://steven-yl.github.io/mywebsite/06_inference_decoding/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/06_inference_decoding/TorchCode 文档第六章：推理与解码。第五章：训练与优化（TorchCode）https://steven-yl.github.io/mywebsite/05_training_optimization/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/05_training_optimization/TorchCode 文档第五章：训练与优化实践。第四章：架构与模型组件（TorchCode）https://steven-yl.github.io/mywebsite/04_architectures/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/04_architectures/TorchCode 文档第四章：从组件到完整模型块。第三章：注意力机制（TorchCode）https://steven-yl.github.io/mywebsite/03_attention_mechanisms/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/03_attention_mechanisms/TorchCode 文档第三章：注意力机制从基础到高效实现。第二章：归一化技术（TorchCode）https://steven-yl.github.io/mywebsite/02_normalization/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/02_normalization/TorchCode 文档第二章：归一化技术全解。第一章：激活函数与基础组件（TorchCode）https://steven-yl.github.io/mywebsite/01_activations_and_fundamentals/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/01_activations_and_fundamentals/TorchCode 文档第一章：从最底层算子到损失函数。总览：TorchCode 知识架构与学习路径https://steven-yl.github.io/mywebsite/00_overview/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/00_overview/算子级练习项目的整体架构与推荐阅读顺序。Title / Tags / Categories / Serieshttps://steven-yl.github.io/mywebsite/blog_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/blog_guide/本文档整合 content/posts 下各篇博文的 title、tags、categories、series，便于查阅与保持 frontmatter 一致。新文或改文时，tags/categories/series 优先从下方 §1 全站去重列表 中复用；完整约定见仓库根目录 AGENTS.md 中的「博客编写规范」。

]]>PyTorch 随机种子（Seed）全面解释https://steven-yl.github.io/mywebsite/seed/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/seed/系统梳理随机种子的概念与 PyTorch 实践，包括 DataLoader worker、cuDNN、不确定性算子和常见陷阱，帮助你搭建可复现实验环境。PyTorch 优化器原理https://steven-yl.github.io/mywebsite/optim/Tue, 17 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/optim/解析PyTorch 优化器原理、更新公式与偏差校正推导，并给出超参数建议与优缺点总结。Pytorch Batch Size 与学习率缩放规则https://steven-yl.github.io/mywebsite/batch_size_lr/Tue, 17 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/batch_size_lr/详解分布式训练中 batch size 扩大时学习率的线性缩放、平方根缩放及线性+长 warmup 的推导依据与使用建议。Kaiming（He）初始化：方差推导与 ReLU 网络https://steven-yl.github.io/mywebsite/kaiming/Fri, 03 Apr 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/kaiming/用前向方差分析解释为何 ReLU 网络宜用方差 2/fan_in 的权重初始化，并对比 Xavier、给出 PyTorch 中的对应实现。PyTorch Tensor 工具函数技术文档：创建、计算、拼接与索引https://steven-yl.github.io/mywebsite/tensor_ops_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/tensor_ops_guide/总览 PyTorch 张量运算知识结构；创建/reshape/cat/stack/split；逐元与矩阵运算；归约；索引、gather/scatter；比较与逻辑；einsum 等工具；速查与延伸。PyTorch 模型训练技术文档：求解器、参数配置与训练循环https://steven-yl.github.io/mywebsite/training_solver_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/training_solver_guide/从总览到各章节：Optimizer/SGD/Adam/AdamW 全解读、LRScheduler 族、param_groups、梯度累积与裁剪、损失选型及学习率与 batch 配置经验。PyTorch DataLoader 技术解读https://steven-yl.github.io/mywebsite/dataloader_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/dataloader_guide/从索引流、取样本、成 batch 三条线讲清 DataLoader 职责，涵盖 Sampler、collate_fn、num_workers、pin_memory 及与 Dataset 的衔接。Pytorch 权重初始化方法https://steven-yl.github.io/mywebsite/net_init/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/net_init/全面对比深度学习权重初始化方法的原理、公式推导、优缺点与适用场景，附 PyTorch 代码示例和 Transformer 架构初始化最佳实践。PyTorch Dataset 体系技术文档https://steven-yl.github.io/mywebsite/pytorch_dataset_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/pytorch_dataset_guide/覆盖 map-style/IterableDataset、全部内置 Dataset 扩展、图数据与 HF datasets、典型项目扩展模式、padding 与 collate 职责划分，以及与 DataLoader 的衔接。PyTorch 分布式训练与操作工具技术文档https://steven-yl.github.io/mywebsite/distributed_training_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/distributed_training_guide/从进程组初始化、DDP 封装、数据分片、集体通信到 Lightning 封装，全面讲解如何在单机多卡与多机多卡场景下正确使用 PyTorch 分布式训练。PyTorch 激活函数https://steven-yl.github.io/mywebsite/active_function/Tue, 24 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/active_function/本文汇总 Sigmoid、Tanh、ReLU、GELU、Swish 等激活函数，并提供分组图与总览图。PyTorch lr曲线https://steven-yl.github.io/mywebsite/lr_function/Tue, 24 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/lr_function/lr曲线图扩散模型中的噪声调度（Noise Schedule）—— 完整理论笔记https://steven-yl.github.io/mywebsite/schedule/Fri, 27 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/schedule/从线性、余弦到 EDM、SNR-based 调度，结合采样器与时间嵌入给出完整工程实践指南。深度学习中的常见归一化方法https://steven-yl.github.io/mywebsite/norm/Wed, 01 Apr 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/norm/深度学习中的常见归一化方法Analytic Diffusion Studio — 工具模块https://steven-yl.github.io/mywebsite/13-utilities/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/13-utilities/Analytic Diffusion Studio — 工具模块Analytic Diffusion Studio — 评估指标与实验流程https://steven-yl.github.io/mywebsite/12-metrics-and-evaluation/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/12-metrics-and-evaluation/Analytic Diffusion Studio — 评估指标与实验流程Analytic Diffusion Studio — 基线 UNet 模型https://steven-yl.github.io/mywebsite/11-model-baseline-unet/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/11-model-baseline-unet/Analytic Diffusion Studio — 基线 UNet 模型Analytic Diffusion Studio — 最近邻基线https://steven-yl.github.io/mywebsite/10-model-nearest-dataset/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/10-model-nearest-dataset/Analytic Diffusion Studio — 最近邻基线Analytic Diffusion Studio — PCA Locality 去噪器https://steven-yl.github.io/mywebsite/09-model-pca-locality/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/09-model-pca-locality/Analytic Diffusion Studio — PCA Locality 去噪器Analytic Diffusion Studio — 平滑最优去噪器https://steven-yl.github.io/mywebsite/08-model-scfdm/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/08-model-scfdm/Analytic Diffusion Studio — 平滑最优去噪器Analytic Diffusion Studio — 最优贝叶斯去噪器https://steven-yl.github.io/mywebsite/07-model-optimal/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/07-model-optimal/Analytic Diffusion Studio — 最优贝叶斯去噪器Analytic Diffusion Studio — Wiener 滤波去噪器https://steven-yl.github.io/mywebsite/06-model-wiener/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/06-model-wiener/Analytic Diffusion Studio — Wiener 滤波去噪器Analytic Diffusion Studio — 模型基类与采样循环https://steven-yl.github.io/mywebsite/05-models-base/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/05-models-base/Analytic Diffusion Studio — 模型基类与采样循环Analytic Diffusion Studio — 数据模块https://steven-yl.github.io/mywebsite/04-data/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/04-data/Analytic Diffusion Studio — 数据模块Analytic Diffusion Studio — 配置系统https://steven-yl.github.io/mywebsite/03-configuration/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/03-configuration/Analytic Diffusion Studio — 配置系统Analytic Diffusion Studio — 扩散模型理论基础https://steven-yl.github.io/mywebsite/02-diffusion-theory/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/02-diffusion-theory/Analytic Diffusion Studio — 扩散模型理论基础smalldiffusion 技术文档索引https://steven-yl.github.io/mywebsite/00_index/Fri, 27 Mar 2026 10:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/00_index/

smalldiffusion 是一个轻量级扩散模型库，用不到 100 行核心代码实现了扩散模型的训练与采样。 本文档对项目进行全面技术解读，从整体架构到每个函数的实现细节。

文件 内容
01_overview.md 项目总览：架构设计、模块关系、扩散模型数学基础
02_diffusion.md 核心模块：噪声调度、训练循环、采样算法 (diffusion.py)
03_data.md 数据模块：数据集工具、玩具数据集 (data.py)
04_model_base.md 模型基础：ModelMixin、预测模式修饰器、注意力机制、嵌入层 (model.py)
05_model_dit.md Diffusion Transformer 模型 (model_dit.py)
06_model_unet.md U-Net 模型 (model_unet.py)
07_examples.md 实战示例：从玩具模型到 Stable Diffusion

ELBO 与变分方法详解

在隐变量生成模型中，观测 xx 由隐变量 zz 通过解码器 pϕ(x∣z)p_\phi(x|z) 生成，先验为 p(z)p(z)。**边际似然（证据）**为：

log⁡pϕ(x)=log⁡∫pϕ(x∣z) p(z) dz \log p_\phi(x) = \log \int p_\phi(x|z)\, p(z)\, dz
  • 理想：用最大似然估计（MLE）最大化 log⁡pϕ(x)\log p_\phi(x) 来学习解码器参数 ϕ\phi。
  • 障碍：积分对 zz 在高维、非线性解码器下难以计算（intractable），直接 MLE 不可行。
  • 变分思路：不直接算 log⁡pϕ(x)\log p_\phi(x)，而是构造一个可计算的下界，通过最大化该下界间接增大 log⁡pϕ(x)\log p_\phi(x)。这个下界就是 ELBO（Evidence Lower BOund，证据下界）。

真实后验为：

]]>Diffusion-Flow-Formulahttps://steven-yl.github.io/mywebsite/formula-diffusion-flow/Sat, 28 Feb 2026 10:26:59 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/formula-diffusion-flow/ 一、基本形式（前向时间方向）

  • 动力学：仅漂移，无随机项

    dXt=ut(Xt) dt. \color{#4a9eff} \mathrm{d}X_t = u_t(X_t)\,\mathrm{d}t.

  • 密度演化:（Fokker–Planck）：Xt∼ptX_t \sim p_t 时

    ]]>Flow Matching Guide and Code 第5章解读：Non-Euclidean Flow Matchinghttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-5-non-euclidean-flow-matching/Thu, 05 Mar 2026 00:00:00 +0000Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-5-non-euclidean-flow-matching/第5章 Non-Euclidean Flow Matching 解读：从动机与黎曼流形设定出发，说明流形上的流、概率路径与连续性方程，边际化技巧（定理10）、RCFM 损失（定理11），以及测地线条件流与基于预度量的条件流；并对照欧氏 FM 与代码8（球面测地线 RCFM）做小结。Generative Modeling via Driftinghttps://steven-yl.github.io/mywebsite/generative-modeling-via-drifting/Wed, 04 Mar 2026 00:00:00 +0000Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/generative-modeling-via-drifting/ Drifting Models 算法原理详细解析（含完整公式）

    Drifting Models 是一种面向生成式建模的全新范式，核心创新在于将“分布推送”过程从推理阶段转移到训练阶段，通过引入漂移场（Drifting Field） govern 样本分布的演化，最终实现单步推理（1-NFE） 下的高质量生成。该算法突破了扩散模型、流匹配等传统方法依赖多步迭代的效率瓶颈，在 ImageNet 256×256 生成任务中达到当前单步方法的最优性能（ latent 空间 FID 1.54，像素空间 FID 1.61），同时可扩展至机器人控制等其他领域。以下从核心思想、算法架构、关键模块、完整公式及实验验证等方面逐层解析。

    ]]>    Flow Matching Guide and Codehttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code/Sat, 28 Feb 2026 10:26:59 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code/<div class="featured-image"> <img src="/mywebsite/posts/images/flow-matching-guide-and-code.webp" referrerpolicy="no-referrer"> </div>《Flow Matching Guide and Code》全文技术解读：从流模型数学基础与欧氏空间 FM（概率路径、速度场、条件流匹配、线性/仿射条件流），到黎曼流形、离散 FM 与 Generator Matching 统一框架，并阐明与扩散模型、去噪分数匹配的关系。An Introduction to Flow Matching and Diffusion Modelshttps://steven-yl.github.io/mywebsite/an-introduction-to-flow-matching-and-diffusion-models/Sat, 28 Feb 2026 10:26:59 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/an-introduction-to-flow-matching-and-diffusion-models/<div class="featured-image"> <img src="/mywebsite/posts/images/an-introduction-to-flow-matching-and-diffusion-models.webp" referrerpolicy="no-referrer"> </div>《An Introduction to Flow Matching and Diffusion Models》全文技术解读：从生成即采样与 ODE/SDE 基础出发，系统介绍流模型与扩散模型、连续性方程与福克-普朗克方程、流匹配与得分匹配训练目标及其与 DDPM 的对应，并涵盖条件生成、无分类器引导（CFG）与 U-Net/DiT 等架构。Flow Matching Guide and Code: Discrete Flow Matchinghttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-discrete-flow-matching/Thu, 05 Mar 2026 00:00:00 +0000Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-discrete-flow-matching/我们来详细整理并解释这段关于连续时间马尔可夫链（CTMC）的内容，使其更易于理解。

    CTMC 是一种用于生成离散数据（比如文本、类别数据）的模型。你可以把它想象成一个在有限个离散状态之间随时间跳转的“粒子”，它按照一定的“速率”从一个状态跳到另一个状态。这与之前讨论的“流模型”（用于连续数据，如图像）形成对比，CTMC 是后续“离散流匹配”模型的基础。

    ]]>    机械臂控制方法https://steven-yl.github.io/mywebsite/arm_control/Sun, 22 Mar 2026 12:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/arm_control/从位置/速度/力/导纳/阻抗总览出发，展开阻抗与导纳对比、期望轨迹与力控实现、末端与关节力检测、重力/摩擦/惯性估计、零空间融合及拖动示教，附公式与工程要点Loss Functions：系统化整理https://steven-yl.github.io/mywebsite/loss_type/Wed, 25 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/loss_type/本笔记从任务视角覆盖主流 Loss Functions，包括经典方法、现代变体以及实际组合策略，便于快速对照与选型。KL 散度与离散流匹配中的广义 KL 损失https://steven-yl.github.io/mywebsite/kl_div/Wed, 25 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/kl_div/本文把 KL 散度相关的几个核心概念串起来，给出离散流匹配中广义 KL 损失的直观解释与 PyTorch 实现示例。todohttps://steven-yl.github.io/mywebsite/todo/Wed, 25 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/todo/收集一个外部链接，后续用于整理与更新。9大思维模型与方法论：从理论到实践的完整指南https://steven-yl.github.io/mywebsite/thinking-models/Mon, 16 Mar 2026 13:50:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/thinking-models/ 9大思维模型与方法论：从理论到实践的完整指南

    思维模型是我们理解世界、分析问题、做出决策的认知框架。掌握多种思维模型，就像拥有多套"认知工具"，能够从不同角度审视问题，避免思维盲区，做出更明智的决策。

    ]]>DiffusionDriveV2 代码结构图https://steven-yl.github.io/mywebsite/diffusiondrivev2_code_structure/Wed, 25 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/diffusiondrivev2_code_structure/通过目录树与模块依赖关系，梳理 DiffusionDrive v2（RL/Selection 相关模型及扩散模块）在工程中的位置与调用链路。DiffusionDriveV2 网络结构图https://steven-yl.github.io/mywebsite/diffusiondrivev2_network/Wed, 25 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/diffusiondrivev2_network/本文以结构图的方式梳理 DiffusionDrive V2 的关键模块与连接关系：双流骨干特征融合、Transformer Decoder×3、扩散式 TrajectoryHead 的截断生成以及粗筛-精筛评分流水线。Consistency Modelhttps://steven-yl.github.io/mywebsite/consistency-model/Fri, 27 Feb 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/consistency-model/

Consistency Model 技术文档（原理 + 自洽性 + 蒸馏/直接训练 + 采样 + 对比）

本文档为正式技术规格文档，系统介绍 Consistency Model 的核心思想、自洽性定义、两种训练范式（Consistency Distillation / Consistency Training）、一步与多步采样，以及与扩散模型、MeanFlow 的对比。

]]>The Principles of Diffusion Modelshttps://steven-yl.github.io/mywebsite/the-principles-of-diffusion-models/Sat, 28 Feb 2026 10:26:59 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/the-principles-of-diffusion-models/<div class="featured-image"> <img src="/mywebsite/posts/images/the-principles-of-diffusion-models.webp" referrerpolicy="no-referrer"> </div>《The Principles of Diffusion Models》（arXiv:2510.21890）全文技术解读：从前向破坏过程与反向生成出发，系统梳理扩散模型的三种表述——变分视角（VAE→DDPM）、基于分数的视角（EBM→NCSN→分数 SDE）、基于流的视角（NF→流匹配），阐明条件化技巧与福克–普朗克方程下的统一；并涵盖引导生成、数值求解器、蒸馏与从零学习的流映射模型（CM/CTM/MF）等。Flow Matching Guide and Code 第5章解读：FlatTorus Riemannian Flow Matching 训练逻辑技术文档https://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-5-flattorus-riemannian-flow-matching/Mon, 10 Jun 2024 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-5-flattorus-riemannian-flow-matching/平坦环面 M=[0,2π)² 上 Riemannian Flow Matching 的训练目标、概率路径、损失形式及实现细节的技术文档。OpenClaw 安装文件与目录结构总览https://steven-yl.github.io/mywebsite/openclaw/Sun, 09 Jun 2024 00:00:00 +0800Stevenhttps://steven-yl.github.io/mywebsite/openclaw/ OpenClaw 安装文件汇总
文件名/目录 位置 解释
openclaw ~/.nvm/versions/node/v22.22.1/lib/node_modules/openclaw/bin/ 主CLI可执行文件
package.json ~/.nvm/versions/node/v22.22.1/lib/node_modules/openclaw/ npm包信息与依赖
docs/ ~/.nvm/versions/node/v22.22.1/lib/node_modules/openclaw/docs/ 官方文档目录
skills/ ~/.nvm/versions/node/v22.22.1/lib/node_modules/openclaw/skills/ 内置技能库目录
src/ ~/.nvm/versions/node/v22.22.1/lib/node_modules/openclaw/src/ 源代码目录
文件名/目录 位置 解释
config/ ~/.openclaw/config/ 配置文件目录
models.json ~/.openclaw/config/models.json 模型配置（API密钥、端点等）
providers.json ~/.openclaw/config/providers.json 服务提供商配置
channels.json ~/.openclaw/config/channels.json 消息频道配置
workspace/ ~/.openclaw/workspace/ 用户工作空间根目录
logs/ ~/.openclaw/logs/ 系统日志目录
data/ ~/.openclaw/data/ 应用数据存储目录
文件名 位置 解释
SOUL.md ~/.openclaw/workspace/SOUL.md 助手"灵魂"文件（个性、行为准则）
USER.md ~/.openclaw/workspace/USER.md 用户信息文件
IDENTITY.md ~/.openclaw/workspace/IDENTITY.md 助手身份定义（名称、表情等）
TOOLS.md ~/.openclaw/workspace/TOOLS.md 本地工具配置笔记
MEMORY.md ~/.openclaw/workspace/MEMORY.md 助手长期记忆（仅主会话加载）
AGENTS.md ~/.openclaw/workspace/AGENTS.md 工作空间使用指南
HEARTBEAT.md ~/.openclaw/workspace/HEARTBEAT.md 心跳任务清单
BOOTSTRAP.md ~/.openclaw/workspace/BOOTSTRAP.md 首次启动引导文件（完成后删除）
memory/ ~/.openclaw/workspace/memory/ 每日记忆文件目录
YYYY-MM-DD.md ~/.openclaw/workspace/memory/YYYY-MM-DD.md 每日记忆文件（按日期）
文件名 位置 解释
.openclawrc ~/.openclawrc 或 ~/.config/openclaw/config.json 环境配置文件
环境变量 系统环境 OPENCLAW_WORKSPACE, OPENCLAW_MODEL等
PID文件 系统临时目录 网关守护进程的进程ID文件
会话缓存 系统临时目录 运行时会话状态缓存
技能名 位置 解释
1password/ ~/.nvm/.../openclaw/skills/1password/ 1Password CLI集成技能
weather/ ~/.nvm/.../openclaw/skills/weather/ 天气查询技能
obsidian/ ~/.nvm/.../openclaw/skills/obsidian/ Obsidian笔记技能
SKILL.md 各技能目录下的SKILL.md 技能使用说明文档
项目 状态 说明
安装版本 2026.3.2 (85377a2) 最新稳定版
Node版本 v22.22.1 通过nvm管理
工作空间 已初始化 包含所有模板文件
模型配置 已配置 DeepSeek Chat API
技能加载 正常 内置技能可用
API问题 Amazon Bedrock缺失 不影响核心功能
  1. CLI命令: ~/.nvm/versions/node/v22.22.1/bin/openclaw
  2. 配置目录: ~/.openclaw/config/
  3. 工作空间: ~/.openclaw/workspace/
  4. 技能目录: ~/.nvm/versions/node/v22.22.1/lib/node_modules/openclaw/skills/
  5. 日志目录: ~/.openclaw/logs/

OpenClaw 技能是模块化的功能扩展，每个技能提供特定领域的工具和自动化能力。

]]>Prompt 汇总与记录https://steven-yl.github.io/mywebsite/prompt_guide/Thu, 12 Mar 2026 00:00:00 +0800Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/prompt_guide/本文用于汇总和记录日常使用的 Prompt，按场景分类，方便在 Cursor、Claude、ChatGPT 等工具中复用与迭代。文末提供<strong>单条记录模板</strong>，新增时复制模板填写即可。Flow Matching Guide and Code 第5章解读：指数映射-对数映射-测地线条件流https://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-5-geodesic-conditional-flow/Thu, 05 Mar 2026 00:00:00 +0000Stevenhttps://github.com/steven-ylhttps://steven-yl.github.io/mywebsite/flow-matching-guide-and-code-5-geodesic-conditional-flow/<p>用最通俗的话说一遍<strong>指数映射、对数映射和测地线条件流</strong>在干什么。</p>