Pytorch

pytorch-patterns te ayuda a escribir, revisar y depurar código de PyTorch con patrones agnósticos al dispositivo, experimentos reproducibles y manejo explícito de tensores. Usa la skill pytorch-patterns para crear bucles de entrenamiento más limpios, refactorizar modelos y obtener guía práctica de PyTorch.

torchdrug es un toolkit nativo de PyTorch para machine learning molecular y de proteínas. Usa la skill de torchdrug para elegir tareas, datasets y modelos modulares para redes neuronales de grafos, modelado de proteínas, razonamiento sobre grafos de conocimiento, generación molecular y retrosíntesis. Es la mejor opción para desarrollar modelos a medida y trabajar con configuraciones reproducibles, no solo para demos cerradas.

Guía de torch-geometric para redes neuronales gráficas con PyTorch Geometric. Úsala para ayuda de instalación de torch-geometric, uso de torch-geometric, clasificación de grafos, clasificación de nodos, predicción de enlaces, grafos heterogéneos, capas `MessagePassing` personalizadas y escalado de GNN en flujos de trabajo de Machine Learning.

huggingface-vision-trainer te ayuda a instalar y usar una skill de Hugging Face para trabajos de entrenamiento de visión: detección de objetos, clasificación de imágenes y segmentación con SAM/SAM2. Cubre preparación de datasets, configuración de GPU en la nube, evaluación, registro con Trackio y publicación de resultados en el Hub. Es ideal para automatización en backend y flujos de entrenamiento repetibles.

huggingface-llm-trainer te ayuda a entrenar o ajustar modelos de lenguaje y visión en Hugging Face Jobs con TRL o Unsloth. Usa esta skill de huggingface-llm-trainer para SFT, DPO, GRPO, modelado de recompensas, comprobación de datasets, selección de GPU, guardado en Hub, monitorización con Trackio y exportación a GGUF para flujos de trabajo de desarrollo backend.

La skill de transformers te ayuda a usar Hugging Face Transformers para cargar modelos, hacer inferencia, tokenizar y realizar fine-tuning. Es una guía práctica de transformers para tareas de Machine Learning en texto, visión, audio y flujos multimodales, con rutas claras para crear baselines rápidas y entrenar modelos a medida.

Guía de stable-baselines3 para flujos de trabajo de Machine Learning: entrena agentes de RL, conecta entornos Gymnasium y elige PPO, SAC, DQN, TD3, DDPG o A2C con menos incertidumbre. Es ideal para aprendizaje por refuerzo estándar de agente único, prototipado rápido y un uso práctico de stable-baselines3.

scvi-tools es un framework de Python para el análisis probabilístico de datos de célula única. Usa esta skill de scvi-tools para corrección de lotes, embeddings latentes, expresión diferencial con incertidumbre, transfer learning e integración multimodal. Encaja especialmente bien en flujos de trabajo de RNA-seq de célula única, ATAC, CITE-seq, multiome y espacial, sobre todo en casos de uso avanzados de Machine Learning.

Skill de pytorch-lightning para organizar proyectos de PyTorch con `LightningModules` y `Trainers`. Usa esta guía de pytorch-lightning para instalación, entrenamiento, validación, logging, checkpointing y ejecución distribuida en flujos de trabajo multi-GPU o TPU.

PyHealth te ayuda a crear pipelines de deep learning clínico y de salud con un flujo de trabajo Dataset → Task → Model → Trainer → Metrics. Usa esta skill de PyHealth para MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, predicción, recomendación de fármacos, staging del sueño, codificación ICD, eventos de EEG y mapeo de códigos médicos.

pufferlib es una skill de aprendizaje por refuerzo de alto rendimiento para simulación paralela rápida, rollouts vectorizados y entrenamiento multiagente. Usa esta guía de pufferlib para instalarlo, entender cómo se utiliza pufferlib y adaptar pipelines de RL con Gymnasium, PettingZoo, Atari, Procgen o entornos al estilo NetHack. Ideal para generación de código centrada en alto rendimiento y flujos de PPO escalables.

Skill de cellxgene-census para consultar programáticamente el CELLxGENE Census. Úsalo para explorar datos de expresión, metadatos, embeddings y patrones entre conjuntos de datos a través de tejidos, enfermedades y tipos celulares. Es ideal para análisis de célula única a escala poblacional y comparaciones con atlas de referencia; para tus propios datos, usa scanpy o scvi-tools.