ml-expert
PyTorch ML-Modelle implementieren
Verwandeln Sie ML-Forschung in Produktionscode. Erhalten Sie eine fachkundige Implementierung neuronaler Architekturen, Training-Pipelines und Leistungsoptimierungen mit umfassenden Tests und Validierung.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "ml-expert". Implementiere einen Transformer-Encoder mit 8 Schichten, 512 versteckten Dimensionen und 8 Attention-Heads in PyTorch
Résultat attendu:
- TransformerEncoder-Klasse mit ordnungsgemäßer Modulregistrierung erstellt
- Positional Encoding mit gelernten Embeddings implementiert
- Multi-Head Attention mit skalierter Dot-Product Attention hinzugefügt
- Layer Normalization und Residual Connections eingefügt
- 12 Unit-Tests geschrieben (alle bestanden, 95% Abdeckung)
- Verwendungsbeispiel mit synthetischen Daten hinzugefügt
- Parameteranzahl: 24,5M (entspricht dem Ziel)
Utilisation de "ml-expert". Baue eine Trainingsschleife für Bildklassifizierung mit AdamW-Optimizer, Cosine Annealing und gemischter Präzision
Résultat attendu:
- Trainer-Klasse mit konfigurierbarem Optimizer und Scheduler erstellt
- Training mit gemischter Präzision mit GradScaler implementiert
- Learning Rate Warmup und Cosine Decay Schedule hinzugefügt
- Checkpoint-Speicherung und Best-Model-Tracking eingefügt
- 8 Tests für Trainingskomponenten geschrieben
- Auf synthetischen Daten validiert: Loss sinkt korrekt
Audit de sécurité
Risque faibleThis is a legitimate ML implementation skill. All 79 static findings are false positives. The scanner misidentified Python code examples (backticks in string literals) as shell commands, and benign ML terminology as cryptographic/network threats. The skill operates in plan mode with user approval for all changes. No malicious patterns, credential theft, or exfiltration behavior detected.
Problèmes à risque faible (1)
Facteurs de risque
⚡ Contient des scripts (1)
⚙️ Commandes externes (1)
📁 Accès au système de fichiers (1)
Score de qualité
Ce que vous pouvez construire
Forschungsarbeiten implementieren
Verwandeln Sie wissenschaftliche Arbeiten in funktionierende PyTorch-Implementierungen mit ordnungsgemäßen Tests und Dokumentation
Trainingscode optimieren
Beheben Sie Trainingsprobleme und optimieren Sie die Modellleistung für schnellere Inferenz und geringeren Speicherverbrauch
ML-Pipelines aufbauen
Erstellen Sie produktionsreife Training-Pipelines mit Checkpointing, Validierung und Monitoring
Essayez ces prompts
Implementiere ein [architecture name] Modell in PyTorch mit [n] Schichten und [d] versteckten Dimensionen. Füge ordnungsgemäße Initialisierung und Docstrings hinzu.
Implementiere die [paper name] Architektur aus dieser Paper-Spezifikation. Ziel-Parameteranzahl: [X]M. Framework: PyTorch. Füge Tests hinzu.
Baue eine vollständige Training-Pipeline für mein Modell. Einschließen: gemischtes Präzisionstraining, Gradient Checkpointing, Learning Rate Scheduling, Checkpoint-Speicherung und Validierungsschleife.
Optimiere mein Modell für Echtzeit-Inferenz. Aktuelle Latenz ist [X]ms. Ziel: [Y]ms. Wende torch.compile, Operator-Fusion und Speicheroptimierungen an.
Bonnes pratiques
- Geben Sie Referenzpapiere oder klare Spezifikationen an, wenn Sie benutzerdefinierte Architekturen anfordern
- Spezifizieren Sie Einschränkungen im Voraus einschließlich Parameterbudget, Speicherlimits und Geschwindigkeitsanforderungen
- Fordern Sie Tests und Dokumentation im selben Prompt für vollständige, überprüfbare Ergebnisse an
Éviter
- Um Implementierung bitten, ohne zuerst den Plan zu überprüfen, bricht die Sicherheitsgarantien des Plan-Modus
- Änderungen am Produktionscode anfordern, ohne die entsprechenden Unit-Tests zu aktualisieren
- Validierung überspringen, indem die bereitgestellte Test-Suite vor dem Deployment nicht ausgeführt wird