Compétences ml-training-debugger

📦

ml-training-debugger

Name: ml-training-debugger
Author: DNYoussef

Révision du contenu r1 Risque moyen ⚙️ Commandes externes

Diagnostiquer les échecs d'entraînement ML

Les échecs d'entraînement sont difficiles à déboguer lorsque les journaux, les courbes, le code et les configurations pointent dans des directions différentes. Cette compétence organise les preuves et fournit les causes racines probables, les correctifs et les étapes de vérification.

Prend en charge: Claude Codex Code(CC)

📊 70 Adéquat

Maintain this Skill? Claim it 📊 70 Adéquat

Installer avec mon Agent

Copiez cette demande dans votre Agent. Elle contient la page Skill de référence et le manifeste.

Demande d’agent

Review the Skillstore skill "ml-training-debugger" from https://skillstore.io/skills/dnyoussef-ml-training-debugger.md and its manifest at https://skillstore.io/api/skills/dnyoussef-ml-training-debugger/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Votre Agent doit toujours présenter son plan et demander toute confirmation exigée par la politique de sécurité.

Ressources lisibles par les agents

Utilisez ces liens lorsqu’un Agent IA, un crawler ou un script a besoin d’un contexte propre au lieu de lire toute la page.

Détail Markdown GET /skills/dnyoussef-ml-training-debugger.md manifest signé GET /api/skills/dnyoussef-ml-training-debugger/manifest lockfile signé GET /api/skills/dnyoussef-ml-training-debugger/lockfile

Tester

Utilisation de « ml-training-debugger ». La perte était stable pendant six époques, puis a fortement augmenté à la septième époque avec un pic de norme de gradient.

Résultat attendu:

Constat principal : le taux d'apprentissage ou une transition de planning a probablement provoqué une explosion des gradients. Premier correctif recommandé : réduire le taux d'apprentissage, activer le clipping et surveiller les normes de gradient.

Utilisation de « ml-training-debugger ». Le modèle renvoie le même token pour chaque prompt, mais la perte d'entraînement continue de diminuer.

Résultat attendu:

Constat principal : possible effondrement de mode ou déséquilibre de l'architecture. Examiner la diversité des sorties, le partage des embeddings, la variance des logits et la conception de la perte avant d'augmenter le temps d'entraînement.

Utilisation de « ml-training-debugger ». L'entraînement échoue avec des erreurs de mémoire CUDA après l'augmentation de la taille de batch.

Résultat attendu:

Constat principal : la pression mémoire provient probablement de la taille de batch, de la longueur de séquence ou de graphes de calcul conservés. Essayer des batchs plus petits, l'accumulation et le profilage mémoire.

Audit de sécurité

Risque moyen

v8 • 05/07/2026 Ouvrir le rapport versionné

The static backtick and reconnaissance alerts are false positives caused by Markdown fences, inline code formatting, and ML diagnostic wording. A separate semantic issue remains: the example agent configuration enables Bash despite describing the specialist as read-only.

Fichiers analysés

599

Lignes analysées

Éléments à examiner

Faux positifs ignorés

Préoccupations de sécurité confirmées (1)

Moyen

SKILL.md:105-110

Bash Tool Enabled for Diagnostic Agent

The skill configures the spawned specialist with allowed_tools including Bash while describing the agent as read-only. This creates a shell-execution path in a community diagnostic skill, even though the stated intent is passive analysis.

The SDK example explicitly includes Bash in allowed_tools next to Read and Grep. The surrounding text says the agent is read-only, so this is a capability exposure rather than proven malicious intent.

Audité par: codex Voir l’historique des audits →

Partager et citer ce rapport

Partagez le rapport d’évaluation versionné, le badge neutre, la carte intégrable et les citations. Skillstore présente les preuves sans décider si ce Skill est sûr.

Ouvrir le rapport versionné

Copier le lien du rapport

https://skillstore.io/skills/dnyoussef-ml-training-debugger/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Badge Markdown

[![Skillstore security assessment](https://skillstore.io/badges/skills/dnyoussef-ml-training-debugger/security.svg)](https://skillstore.io/skills/dnyoussef-ml-training-debugger?utm_source=security_passport_badge)

Badge HTML

<a href="https://skillstore.io/skills/dnyoussef-ml-training-debugger?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/dnyoussef-ml-training-debugger/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Carte intégrable

<iframe src="https://skillstore.io/embed/skills/dnyoussef-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>

Citations académiques (APA · BibTeX · CFF)

Citation APA

DNYoussef. (2026). ml-training-debugger security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/dnyoussef-ml-training-debugger/audits/8

Citation BibTeX

@techreport{dnyoussef-dnyoussef-ml-training-debugger-2026,
  author = {DNYoussef},
  title = {ml-training-debugger security audit report (audit version 8)},
  institution = {Skillstore},
  year = {2026},
  number = {8},
  url = {https://skillstore.io/skills/dnyoussef-ml-training-debugger/audits/8},
  note = {Author version unspecified}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "ml-training-debugger security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
  - name: "DNYoussef"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/dnyoussef-ml-training-debugger/audits/8"
identifiers:
  - type: other
    value: "skillstore:dnyoussef-ml-training-debugger:audit:8"
    description: "Skillstore immutable audit report identifier"

Score Skillstore

Pourquoi ce score Niveau de confiance des preuves: Élevé

Architecture

Maintenabilité

Contenu

Communauté

Conformité aux spécifications

Ce que vous pouvez créer

Trier les exécutions d'entraînement échouées

Identifier pourquoi la perte a divergé, les gradients ont explosé ou l'entraînement a cessé de progresser.

Enquêter sur l'effondrement du modèle

Analyser les sorties répétées, la faible diversité ou le déséquilibre de l'architecture avant de repenser les expériences.

Déboguer les erreurs d'infrastructure d'entraînement

Examiner les erreurs CUDA, de checkpoint, de dataloader et de framework à partir des journaux d'entraînement.

Essayez ces prompts

Diagnostiquer une exécution échouée

Diagnostique mon exécution d'entraînement ML. Symptômes : [describe issue]. Journaux : [paste key logs]. Configuration : [paste key settings]. Fournis les causes et correctifs probables.

Expliquer la divergence de la perte

Analyse cette divergence de perte. Inclue le point d'échec, les causes probables liées aux gradients ou au taux d'apprentissage, les preuves à l'appui et un premier correctif sûr.

Comparer les hypothèses d'échec

Compare ces causes possibles : [list causes]. Utilise mes journaux, gradients, résumé du modèle et configuration pour les classer selon les preuves et la confiance.

Auditer le système d'entraînement de bout en bout

Effectue un diagnostic de bout en bout de cet échec d'entraînement. Examine les journaux, les courbes, l'architecture, la configuration de l'optimiseur, le comportement du dataloader et les erreurs matérielles. Priorise les correctifs.

Bonnes pratiques

Fournir ensemble les journaux, configurations, courbes de perte, résumés de modèle et messages d'erreur exacts.
Demander des causes classées par preuves avant de modifier plusieurs paramètres à la fois.
Vérifier chaque correctif avec une réexécution contrôlée et des métriques suivies.

Éviter

Ne pas demander un diagnostic à partir d'une simple description vague des symptômes.
Ne pas appliquer plusieurs correctifs à fort impact avant de mesurer le premier résultat.
Ne pas traiter les scores de confiance comme des preuves lorsque des artefacts clés manquent.

Foire aux questions

Quels artefacts dois-je fournir ?

Fournissez les journaux d'entraînement, les courbes de perte, les valeurs de configuration, le code du modèle et le texte exact de l'erreur ou de l'avertissement.

Peut-elle corriger automatiquement mon code d'entraînement ?

Non. Elle diagnostique les problèmes et recommande des changements, mais la compétence indique que la modification du code est en dehors de son rôle.

Fonctionne-t-elle avec PyTorch ?

Oui. Le prompt inclut les modes d'échec PyTorch et CUDA, notamment les problèmes d'autograd, de dataloader, de checkpoint et de mémoire.

Peut-elle diagnostiquer l'effondrement de mode ?

Oui. Elle examine la diversité des sorties, le comportement des logits, l'équilibre de l'architecture et la conception de la perte pour les symptômes d'effondrement.

Comment gère-t-elle l'incertitude ?

Elle doit réduire le niveau de confiance, expliquer les preuves manquantes et demander des artefacts spécifiques lorsque le diagnostic n'est pas étayé.

Convient-elle aux incidents de production ?

Elle peut aider à trier les incidents, mais les changements critiques doivent toujours suivre votre processus de revue, de test et de rollback.

Détails du développeur

Auteur

DNYoussef

Licence

MIT

Révision Skillstore

Avis de version

L’auteur n’a déclaré aucune version.

Dépôt

https://github.com/DNYoussef/ai-chrome-extension/tree/main/.claude/skills/ml-training-debugger

Réf

c579efd02184f1128d6741d16e6c8d951d7d4208

Récence de maintenance

23/07/2026

Utilisation

5 téléchargements · 229 vues

Structure de fichiers

📁 agents/

📄 ml-debugger-specialist.prompt

📄 SKILL.md

ml-training-debugger

Installer avec mon Agent

Ressources lisibles par les agents

Tester

Audit de sécurité

Préoccupations de sécurité confirmées (1)

Facteurs de risque

Copier le lien du rapport

Badge Markdown

Badge HTML

Carte intégrable

Citation APA

Citation BibTeX

CITATION.cff

Score Skillstore

Ce que vous pouvez créer

Trier les exécutions d'entraînement échouées

Enquêter sur l'effondrement du modèle

Déboguer les erreurs d'infrastructure d'entraînement

Essayez ces prompts

Bonnes pratiques

Éviter

Foire aux questions

Détails du développeur