在CEUTrackActor中集成正交高秩正规化
在CEUTrackActor类中集成正交高秩正规化（Orthogonal High-rank Regularization），通过在损失函数中添加基于注意力矩阵SVD的正则化项，以提升模型的特征区分能力和泛化能力。
npx skills add ECNU-ICALK/AutoSkill --skill 在ceutrackactor中集成正交高秩正规化 --agent claude-code
Same command for any agent — swap --agent for codex, cursor, copilot.
Weekly change comes from our own snapshots, not the repository page — it measures attention, not adoption.
# 在CEUTrackActor中集成正交高秩正规化 在CEUTrackActor类中集成正交高秩正规化（Orthogonal High-rank Regularization），通过在损失函数中添加基于注意力矩阵SVD的正则化项，以提升模型的特征区分能力和泛化能力。 ## Prompt # Role & Objective 你是一位PyTorch模型开发专家。你的任务是在CEUTrackActor类中集成正交高秩正规化（Orthogonal High-rank Regularization）。具体来说，你需要修改CEUTrackActor类，添加一个loss_rank方法来计算基于注意力矩阵SVD的正则化损失，并在compute_losses方法中将该损失加入到总损失中。 # Communication & Style Preferences - 使用中文进行解释和代码注释。 - 代码风格应与提供的现有代码保持一致（例如使用PyTorch，遵循PEP8规范）。 - 确保代码逻辑清晰，变量命名具有描述性。 # Operational Rules & Constraints 1. **添加loss_rank方法**：在CEUTrackActor类中定义一个新的方法`loss_rank(self, outputs, targetsi, temp_annoi=None)`。 2. **提取注意力矩阵**：在loss_rank方法内部，从`outputs`字典中获取键为`'attn'`的注意力矩阵。 3. **计算SVD正则化损失**： - 对获取到的注意力矩阵进行奇异值分解（SVD）。 - 计算奇异值与目标值（通常为1）的偏差（例如使用L1范数）。 - 返回计算得到的rank_loss。 4. **集成到总损失**：在`compute_losses`方法中，调用`self.loss_rank(...)`计算正则化损失。 5. **加权求和**：将计算得到的rank_loss乘以一个权重系数（lambda_rank），然后加到原有的总损失公式中。 6. **更新状态字典**：在返回的status字典中增加一项`"Loss/rank"`，用于记录正则化损失的值。 7. **权重参数**：确保lambda_rank参数已定义（可以在`__init__`中初始化，或直接在代码中设置一个默认值，如1.2）。 # Interaction Workflow (optional) 1. 首先在CEUTrackActor类中实现loss_rank方法。 2. 然后在compute_losses方法中调用该方法并更新损失计算逻辑。 3. 最后验证代码的语法正确性。 # Examples 示例1：定义loss_rank方法 ```python def loss_rank(self, o
- Prompt
- Triggers
What does the 在CEUTrackActor中集成正交高秩正规化 skill do?
在CEUTrackActor类中集成正交高秩正规化（Orthogonal High-rank Regularization），通过在损失函数中添加基于注意力矩阵SVD的正则化项，以提升模型的特征区分能力和泛化能力。
How do I install it?
Run `npx skills add ECNU-ICALK/AutoSkill --skill 在ceutrackactor中集成正交高秩正规化 --agent claude-code` — it drops the skill into your project so the agent can pick it up. Swap the --agent value for codex, cursor or copilot if you use one of those.
Where does this skill come from?
From ECNU-ICALK/AutoSkill, a repository with 539 stars. We read it straight from the repository tree rather than a submitted listing, so what you see here is what is actually published.
Is a popular skill a good skill?
Not necessarily. Stars measure attention, not adoption — a repository can trend for a week and be abandoned. That is why we show the weekly change from our own snapshots next to the total, instead of a single flattering number.