Le mHC Algorithm stabilise l'entraînement des réseaux de neurones profonds en contraignant les matrices de mélange résiduel à une variété doublement stochastique en utilisant le Sinkhorn-Knopp algorithm.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install mhc-layer-impl-mhc-algorithm
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer mhc-layer-impl-mhc-algorithm via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que mHC Algorithm: Manifold-Constrained Hyper-Connections ?
La compétence mHC (Manifold-Constrained Hyper-Connections) fournit un cadre sophistiqué pour améliorer les connexions résiduelles dans les architectures de deep learning. Basée sur les recherches de 2025 de DeepSeek, cette implémentation d'Openclaw Skills résout la variance de la norme du gradient et l'instabilité de l'entraînement en garantissant que les matrices de mélange sont doublement stochastiques. En projetant les poids de connexion sur une variété spécifique, elle permet un flux de signal plus prévisible à travers de multiples flux parallèles.
Fondamentalement, cette compétence permet aux développeurs d'aller au-delà des connexions résiduelles standard vers des Hyper-Connections. Elle utilise une projection Sinkhorn-Knopp en espace logarithmique pour maintenir une rigueur mathématique tout en offrant un mélange apprenable à travers les flux résiduels, ce qui en fait un outil essentiel pour l'entraînement de modèles haute performance de style Transformer et GPT.
Cas d'utilisation de mHC Algorithm: Manifold-Constrained Hyper-Connections
- Stabilisation de l'entraînement pour les réseaux très profonds dépassant 12 couches où les résidus standard échouent.
- Implémentation d'Hyper-Connections avancées dans les architectures GPT ou Transformer pour améliorer le flux de gradient.
- Recherche sur les techniques d'optimisation contraintes par variété pour les couches de réseaux de neurones personnalisées.
- Réduction de la variance de la norme du gradient dans les pipelines d'entraînement de modèles à grande échelle en utilisant Openclaw Skills.
Comment fonctionne mHC Algorithm: Manifold-Constrained Hyper-Connections
- Le tenseur d'entrée est réorganisé en plusieurs flux en utilisant einops pour un traitement multflux efficace.
- Les matrices de mélange (H_res) sont initialisées et projetées sur une variété doublement stochastique en utilisant le Sinkhorn-Knopp algorithm.
- La compétence applique une projection en espace logarithmique pour assurer la stabilité numérique pendant le processus itératif de Sinkhorn.
- Les flux d'entrée sont mélangés via les matrices projetées, tandis que la logique de mélange avant et après branchement gère les connexions de profondeur.
- La sortie de branchement (ex: Attention ou MLP) est réintégrée dans les flux mélangés et réorganisée au format batch original.
Configuration de mHC Algorithm: Manifold-Constrained Hyper-Connections
Pour utiliser cette compétence dans votre environnement, assurez-vous d'avoir installé les dépendances nécessaires :
pip install torch einops numpy
Vous pouvez ensuite importer le module HyperConnections dans votre flux de travail Openclaw Skills pour encapsuler les couches de réseaux de neurones standard.
Schéma de données et taxonomie de mHC Algorithm: Manifold-Constrained Hyper-Connections
La compétence mHC organise sa logique et sa configuration autour des composants techniques suivants :
| Composant | Description | Métadonnées/Paramètres |
|---|---|---|
| H_res_logits | Logits apprenables pour le mélange résiduel | (num_streams, num_streams) |
| H_pre_logits | Logits pour la sélection d'entrée de branchement | (1, num_streams) |
| H_post_logits | Logits pour la distribution de sortie de branchement | (1, num_streams) |
| Sinkhorn Params | Configuration pour la projection de variété | num_iters=20, tau=0.05 |
Les fichiers générés par ce module Openclaw Skills incluent généralement des références d'implémentation de base, la documentation sur le Sinkhorn-Knopp algorithm et des modèles d'intégration GPT.
Fonctionnalités avancées de mHC Algorithm: Manifold-Constrained Hyper-Connections
- Itérations Sinkhorn-Knopp en espace logarithmique pour éviter l'underflow numérique pendant l'entraînement profond.
- Projections contraintes par variété entièrement différentiables pour la descente de gradient de bout en bout.
- Architecture multflux flexible prenant en charge les chemins résiduels parallèles N-way.
- Opérations sur tenseurs haute performance utilisant einops pour une manipulation de dimensionnalité claire et efficace.
SKILL.md
Chargement
Compétences Openclaw associées
VaultAI DD Scanner
Un outil de due diligence haute vitesse conçu pour identifier les points de vigilance opérationnels, les risques de chaîne d'approvisionnement et les dépendances de gestion dans les transactions de M&A de marché intermédiaire.
Job Hunter
Un pipeline automatisé de recherche d'emploi qui scrappe LinkedIn, évalue les correspondances par rapport à votre profil et envoie des alertes via Telegram.
Expert en analyse boursière (CN/HK/US)
Un assistant intelligent d'analyse multi-marchés fournissant des évaluations d'actions et d'ETF fondées sur des preuves en utilisant des données financières en temps réel et des recherches institutionnelles.
Video Editor Automatic
Automatisez le processus de montage vidéo en utilisant l'IA et le rendu par GPU dans le cloud pour transformer des images brutes en fichiers MP4 1080p professionnels.
Agent d'auto-amélioration
Un cadre spécialisé qui permet aux agents de codage IA d'enregistrer des erreurs, de capturer les corrections des utilisateurs et de promouvoir des perspectives à haute valeur ajoutée vers une mémoire de projet à long terme.
Transcription vidéo vers texte
Une compétence IA spécialisée qui automatise la transcription de la parole des vidéos et le rendu basé sur le cloud pour une production multimédia de haute qualité.
En vedette*
