Pytorch

pytorch-patterns vous aide à écrire, relire et déboguer du code PyTorch avec des modèles indépendants du périphérique, des expériences reproductibles et une gestion explicite des tenseurs. Utilisez le skill pytorch-patterns pour des boucles d’entraînement plus propres, des refactorings de modèles et des conseils pratiques PyTorch.

torchdrug est une boîte à outils native PyTorch pour le machine learning des molécules et des protéines. Utilisez le skill torchdrug pour choisir les tâches, les jeux de données et les modèles modulaires dédiés aux graph neural networks, à la modélisation des protéines, au raisonnement sur les knowledge graphs, à la génération moléculaire et à la rétrosynthèse. Il convient surtout au développement de modèles sur mesure et à des configurations reproductibles, pas seulement à des démonstrations prêtes à l’emploi.

Guide du skill torch-geometric pour les réseaux de neurones graphiques PyTorch Geometric. Utilisez-le pour l’aide à l’installation de torch-geometric, l’utilisation de torch-geometric, la classification de graphes, la classification de nœuds, la prédiction de liens, les graphes hétérogènes, les couches MessagePassing personnalisées et la mise à l’échelle des GNN dans des workflows de Machine Learning.

huggingface-vision-trainer vous aide à installer et utiliser un skill Hugging Face pour des tâches d’entraînement vision : détection d’objets, classification d’images et segmentation SAM/SAM2. Il couvre la préparation des jeux de données, la configuration de GPU cloud, l’évaluation, la journalisation avec Trackio et l’envoi des résultats sur le Hub. Idéal pour l’automatisation backend et les workflows d’entraînement reproductibles.

huggingface-llm-trainer vous aide à entraîner ou affiner des modèles de langage et de vision sur Hugging Face Jobs avec TRL ou Unsloth. Utilisez ce skill huggingface-llm-trainer pour le SFT, le DPO, le GRPO, le reward modeling, la vérification des jeux de données, le choix du GPU, la sauvegarde sur Hub, le suivi Trackio et l’export GGUF dans des workflows de développement backend.

Le skill transformers vous aide à utiliser Hugging Face Transformers pour le chargement de modèles, l’inférence, la tokenisation et le fine-tuning. C’est un guide pratique de transformers pour les tâches de machine learning, couvrant le texte, la vision, l’audio et les workflows multimodaux, avec des parcours clairs pour démarrer vite avec une base simple ou aller vers un entraînement personnalisé.

Guide du skill stable-baselines3 pour les workflows de Machine Learning : entraînez des agents RL, connectez des environnements Gymnasium et choisissez entre PPO, SAC, DQN, TD3, DDPG ou A2C avec moins d’hésitation. Idéal pour le reinforcement learning mono-agent standard, le prototypage rapide et une utilisation concrète de stable-baselines3.

scvi-tools est un framework Python pour l’analyse probabiliste de données single-cell. Utilisez ce skill scvi-tools pour la correction de batch, les embeddings latents, l’expression différentielle avec incertitude, le transfert d’apprentissage et l’intégration multimodale. Il convient particulièrement aux workflows single-cell RNA-seq, ATAC, CITE-seq, multiome et spatiaux, surtout pour des cas d’usage avancés en Machine Learning.

Skill pytorch-lightning pour structurer des projets PyTorch avec LightningModules et Trainers. Utilisez ce guide pytorch-lightning pour l’installation, l’entraînement, la validation, le logging, les checkpoints et l’exécution distribuée sur des workflows multi-GPU ou TPU.

pyhealth vous aide à construire des pipelines de deep learning pour le domaine clinique et la santé avec un workflow Dataset → Task → Model → Trainer → Metrics. Utilisez ce skill pyhealth pour MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, la prédiction, la recommandation de médicaments, le staging du sommeil, le codage ICD, les événements EEG et le mapping des codes médicaux.

pufferlib est une skill de reinforcement learning haute performance pour la simulation parallèle rapide, les rollouts vectorisés et l’entraînement multi-agent. Utilisez ce guide pufferlib pour l’installation, comprendre l’usage de pufferlib et adapter des pipelines RL avec Gymnasium, PettingZoo, Atari, Procgen ou des environnements de type NetHack. Idéal pour la génération de code axée sur le débit et les workflows PPO à grande échelle.

Skill cellxgene-census pour interroger programmétiquement le CELLxGENE Census. Utilisez-le pour explorer des données d’expression, des métadonnées, des embeddings et des motifs inter-jeux de données à travers tissus, maladies et types cellulaires. Idéal pour l’analyse de cellules uniques à l’échelle de populations et la comparaison d’atlas de référence ; pour vos propres données, utilisez scanpy ou scvi-tools.