Gpu

pytorch-patterns は、デバイス非依存のパターン、再現性の高い実験、明示的な tensor 扱いを通じて、PyTorch コードの記述・レビュー・デバッグを支援します。よりきれいな学習ループ、モデルのリファクタリング、実践的な PyTorch ガイダンスが必要な場面で、この pytorch-patterns スキルを使ってください。

PyTorch Geometric のグラフニューラルネットワーク向け torch-geometric スキルガイドです。torch-geometric のインストール支援、torch-geometric の使い方、グラフ分類、ノード分類、リンク予測、異種グラフ、カスタム MessagePassing レイヤー、Machine Learning ワークフローでの GNN のスケーリングに役立ちます。

optimize-for-gpuは、用途に合ったライブラリ選定で、CPU中心のPythonをNVIDIA GPU向けコードへ移行するのを支援します。配列、データフレーム、MLパイプライン、グラフ分析、画像処理、地理空間処理、ベクトル検索、カスタムカーネルに使えます。CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA、Warpの選定を、実践的な使い方と移行の観点からガイドします。

PyTorch プロジェクトを LightningModules と Trainers で整理するための pytorch-lightning スキルです。インストール、学習、検証、ログ記録、チェックポイント保存、さらにマルチ GPU や TPU をまたぐ分散実行まで、この pytorch-lightning ガイドを活用できます。

Python向けのクラウドランタイムとしてModalを使うバックエンド開発チーム向けのmodalスキルです。GPUワークロード、自動スケーリング関数、Web API、スケジュール実行ジョブ、バッチパイプラインでModalを使うべき場面、適切なインストール文脈の選び方、リポジトリの読み方、そしてボイラープレートを減らしながらデプロイ対応コードを書く方法を学べます。

get-available-resources は、重い科学計算や ML ワークフローの前に CPU、GPU、メモリ、ディスクを確認します。リソースのスナップショットと、並列処理、GPU アクセラレーション、メモリ安全な手法に関する実用的な推奨を返し、ワークフロー自動化でエージェントがより適切な実行判断を下せるようにします。

makepad-2.0-shaders は、Makepad 2.0 の shader code を書き、デバッグするための Frontend Development スキルです。pixel: fn() と vertex: fn() ブロック、Sdf2d の形状、カスタム widget の描画、premultiplied alpha、そして実践的な導入・使用ガイダンスに、この makepad-2.0-shaders スキルを活用してください。