when-debugging-ml-training-use-ml-training-debugger
تصحيح إخفاقات تدريب ML
يمكن أن يفشل تدريب ML بسبب فقد NaN، أو فرط التخصيص، أو بطء التقارب، أو التدرجات غير المستقرة. ترشد هذه المهارة إلى التشخيص، والإصلاحات المستهدفة، والتحقق، وإعداد التقارير.
التثبيت باستخدام Agent لدي
انسخ هذا الطلب إلى Agent لديك. يتضمن صفحة Skill المعتمدة وملف manifest.
Review the Skillstore skill "when-debugging-ml-training-use-ml-training-debugger" from https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger.md and its manifest at https://skillstore.io/api/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.يجب أن يواصل Agent عرض خطته وطلب أي تأكيد تفرضه سياسة الأمان.
موارد مهيّأة لـ Agents
استخدم هذه الروابط عندما يحتاج AI Agent أو crawler أو script إلى سياق نظيف بدلًا من قراءة الصفحة كاملة.
اختبرها
جارٍ استخدام "when-debugging-ml-training-use-ml-training-debugger". يصبح فقد التدريب NaN بعد خمس عصور.
النتيجة المتوقعة:
يحدد تقرير تشخيصي عدم استقرار عددي محتمل ويوصي بخفض معدل التعلم مع قص التدرجات.
جارٍ استخدام "when-debugging-ml-training-use-ml-training-debugger". يرتفع فقد التحقق بينما يستمر فقد التدريب في التحسن.
النتيجة المتوقعة:
يشير ملخص السبب الجذري إلى فرط التخصيص ويقترح dropout أو تنظيم L2 أو مزيدا من بيانات التدريب.
جارٍ استخدام "when-debugging-ml-training-use-ml-training-debugger". أعيد تدريب نموذج تم إصلاحه بعد تغيير إعدادات التحسين.
النتيجة المتوقعة:
يعرض ملخص مقارنة فقد التحقق، ودقة التحقق، وما إذا كان الإصلاح قد حسن التقارب.
التدقيق الأمني
آمنAI review found the external command findings are false positives caused by Markdown code fences and template literals in examples. The filesystem findings are fixed local output writes for diagnostic artifacts, and no prompt injection, exfiltration, or malicious command intent was found.
عوامل الخطر
⚙️ الأوامر الخارجية (32)
📁 الوصول إلى نظام الملفات (2)
شارك واستشهد بهذا التقرير
شارك تقرير التقييم المرتبط بالإصدار والشارة المحايدة وبطاقة التضمين والاستشهادات. تعرض Skillstore الأدلة من دون أن تقرر ما إذا كانت هذه المهارة آمنة.
نسخ رابط التقرير
https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportشارة Markdown
[](https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger?utm_source=security_passport_badge)شارة HTML
<a href="https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger/security.svg" alt="Skillstore security assessment" loading="lazy"></a>بطاقة قابلة للتضمين
<iframe src="https://skillstore.io/embed/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>الاستشهادات الأكاديمية (APA · BibTeX · CFF)
اقتباس APA
DNYoussef. (2026). when-debugging-ml-training-use-ml-training-debugger security audit report (audit version 8) [Author version 1.0.0]. Skillstore. https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger/audits/8اقتباس BibTeX
@techreport{dnyoussef-dnyoussef-when-debugging-ml-training-use-ml-training-debugger-2026,
author = {DNYoussef},
title = {when-debugging-ml-training-use-ml-training-debugger security audit report (audit version 8)},
institution = {Skillstore},
year = {2026},
number = {8},
url = {https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger/audits/8},
note = {Author version 1.0.0}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "when-debugging-ml-training-use-ml-training-debugger security audit report (audit version 8)"
version: "1.0.0"
type: report
authors:
- name: "DNYoussef"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/dnyoussef-when-debugging-ml-training-use-ml-training-debugger/audits/8"
identifiers:
- type: other
value: "skillstore:dnyoussef-when-debugging-ml-training-use-ml-training-debugger:audit:8"
description: "Skillstore immutable audit report identifier"
تقييم Skillstore
سبب هذا التقييم موثوقية الأدلة: مرتفعما الذي يمكنك بناؤه
تشخيص التدريب غير المستقر
اكتشف الأسباب المحتملة عندما يصبح الفقد NaN أو لانهائيا أو يزداد بحدة أثناء التدريب.
تقليل فرط التخصيص
قارن منحنيات التدريب والتحقق، ثم اختر تغييرات التنظيم أو البيانات.
التحقق من إصلاحات التدريب
أعد التدريب بالإصلاحات المحددة وقارن مقاييس الأداء قبل وبعد.
جرّب هذه الموجّهات
استخدم هذه المهارة لمراجعة سجل التدريب الخاص بي وتحديد السبب الأكثر احتمالا للفقد غير المستقر.
استخدم هذه المهارة لمقارنة منحنيات التدريب والتحقق، ثم أوص بتغييرات تنظيم لمعالجة فرط التخصيص.
استخدم هذه المهارة لتطبيق إصلاح تدريب واحد محدد، وإعادة تدريب النموذج، ومقارنة المقاييس قبل وبعد.
استخدم هذه المهارة لتحليل التدرجات، وجودة البيانات، والبنية، والمقاييس قبل وبعد لتشغيل تدريب إنتاجي بطيء.
أفضل الممارسات
- راجع الإصلاحات التي تم إنشاؤها قبل إعادة التدريب على عتاد مكلف.
- احتفظ بنقاط تحقق النموذج الأصلية وسجل التدريب للمقارنة.
- شغل التغييرات على مجموعة فرعية صغيرة من البيانات قبل تشغيل تدريب كامل.
تجنب
- تشغيل كل إصلاح مقترح دون تأكيد السبب الجذري.
- الكتابة فوق مخرجات التدريب السابقة دون حفظ خط أساس.
- اعتبار تحسن التحقق جاهزية للإنتاج دون تقييم خارجي.
الأسئلة المتكررة
ما مشكلات التدريب التي تستهدفها هذه المهارة؟
هل تدرب نموذجا من الصفر؟
هل يمكنني استخدامها مع PyTorch؟
هل ستغير ملفات في مشروعي؟
هل تضمن دقة أفضل؟
ما أدوات AI التي يمكنها استخدام هذه المهارة؟
تفاصيل المطور
المؤلف
DNYoussefالترخيص
MIT
إصدار المؤلف
v1.0.0
مراجعة Skillstore
r1
مرجع
c579efd02184f1128d6741d16e6c8d951d7d4208
حداثة الصيانة
١٨/٧/٢٠٢٦
الاستخدام
3 تنزيلات · 196 مشاهدات
بنية الملفات