你好，我是Kuo，一名热爱学习与分享的学生。 欢迎来到我的个人空间，这是我的第一篇博客。在这里，我将用文字记录下我的学习旅程——从点滴的知识笔记，到实践中的踩坑总结；从灵光一现的思考，到持续成长的痕迹。   这不仅是一个技术笔记的归档地，更是我思维成长的见证。这个博客是我与自己对话的方式，也是我向世界分享所学的窗口。每一篇文章，都是我对“理解”的一次尝试。 也许内容还很稚嫩，但正是这些不完美，

扩散模型（Diffusion Model）零基础·超详细学习笔记 从“完全不懂” → “能完整复述 + 自己推公式” 一、扩散模型到底在解决什么问题？ 1.1 生成模型要干的事（最原始版本） 所有生成模型，本质都在做一件事： 学会“真实数据长什么样”，然后自己“造”一个出来 比如图像生成： 输入：随机噪声 输出：一张“看起来像真的”图片 文件中用一句话概括： 影像生成模型的目标是让

OpenVLA微调优化实践 以 GPT 为代表的 Decoder-Only 架构大模型在泛化性、zero-shot 能力上取得巨大进展，随后的 Clip、LLaVA 的等多模态的工作让大模型有了理解世界的能力，使得使用 VLM 控制机器人成为可能。 我深入研究视觉-语言-动作（VLA）领域的新模型 OpenVLA ，通过全面复现、创新微调与优化部署，实现机器人智能控制系统提升： 精准复现与仿真验

这份文档为记录了详尽的 OpenVLA (Open-Source Vision-Language-Action) 模型推理任务复现记录。OpenVLA 是基于 Llama 2 和 DINOv2/SigLIP 的视觉-语言-动作模型，专为机器人控制任务设计。 这份记录模拟了在 Linux 服务器环境下的完整操作流程，涵盖了从环境配置到最终动作输出的每一个细节。 实验记录：OpenVLA-7B 模型

学习笔记 — 机器人操作综述：重点关注 VLA（视觉-语言-动作） 方法 本文基于 《Towards a Unified Understanding of Robot Manipulation: A Comprehensive Survey》，全面总结了机器人操作领域的最新研究成果，特别是围绕 VLA（Vision-Language-Action） 方法展开，深入分析了其在机器人操作中的应用与挑战

逻辑回归到Softmax回归 1.分类问题 一个新算法的诞生要么用来改善已有的算法模型，要么就是首次提出用来解决一类新的问题，而逻辑回归模型恰恰属于后者，它是用来解决一类新的问题——分类（Classification）。什么是分类问题呢？ 现在有两堆样本点，需要建立一个模型来对新输入的样本进行预测，判断其应该属于哪个类别，即二分类问题（Binary Classification），如图所示。线性回

梯度下降与反向传播 线性回归刚好是一个很简单的优化问题。 与我们将在本书中所讲到的其他大部分模型不同，线性回归的解可以用一个公式简单地表达出来， 这类解叫作解析解。像线性回归这样的简单问题存在解析解，但并不是所有的问题都存在解析解。 解析解可以进行很好的数学分析，但解析解对问题的限制很严格，导致它无法广泛应用在深度学习里。即使在我们无法得到解析解的情况下，我们仍然可以有效地训练模型。 在许多任务上

线性回归 1.线性回归模型 回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。 以房价预测为例， 我们希望根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）。 为了开发一个能预测房价的模型，我们需要收集一个真实的数据集。 这个数据集包括了房屋的销售价格、面积和房龄。