Gpu

pytorch-patterns는 디바이스에 구애받지 않는 패턴, 재현 가능한 실험, 명시적인 텐서 처리로 PyTorch 코드를 작성, 검토, 디버깅하도록 돕습니다. 더 깔끔한 학습 루프, 모델 리팩터링, 실용적인 PyTorch 가이드가 필요할 때 이 pytorch-patterns 스킬을 사용하세요.

PyTorch Geometric 그래프 신경망을 위한 torch-geometric 스킬 가이드입니다. torch-geometric 설치 도움, 사용법, 그래프 분류, 노드 분류, 링크 예측, 이종 그래프, 커스텀 MessagePassing 레이어, 그리고 머신러닝 워크플로에서 GNN 확장까지 다룰 때 활용하세요.

optimize-for-gpu는 CPU 중심 Python을 NVIDIA GPU 코드로 전환할 때 적절한 라이브러리 선택을 도와줍니다. 배열, 데이터프레임, ML 파이프라인, 그래프 분석, 이미지 처리, 지리공간 작업, 벡터 검색, 커스텀 커널에 활용할 수 있습니다. CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA, Warp를 어떤 상황에 써야 하는지 실용적인 optimize-for-gpu 사용법과 마이그레이션 조언으로 안내합니다.

LightningModules와 Trainers로 PyTorch 프로젝트를 체계화하는 pytorch-lightning 스킬입니다. 이 pytorch-lightning 가이드는 설치, 학습, 검증, 로깅, 체크포인팅, 그리고 multi-GPU 또는 TPU 워크플로 전반의 분산 실행에 활용할 수 있습니다.

Python용 클라우드 런타임으로 Modal을 사용하는 백엔드 개발팀을 위한 modal 스킬입니다. GPU 워크로드, 자동 확장 함수, 웹 API, 예약 작업, 배치 পাই프라인에 Modal을 언제 쓰면 좋은지 살펴보고, 적절한 설치 맥락을 고르는 방법, 저장소를 읽는 법, 그리고 보일러플레이트를 줄이면서 배포 가능한 코드를 작성하는 방법을 배웁니다.

get-available-resources는 무거운 과학 계산이나 ML 워크플로를 실행하기 전에 CPU, GPU, 메모리, 디스크 상태를 점검합니다. 리소스 스냅샷과 함께 병렬 처리, GPU 가속, 메모리 안전 접근 방식에 대한 실용적인 권장 사항을 제공해, 에이전트가 워크플로 자동화에서 더 나은 실행 선택을 하도록 돕습니다.

makepad-2.0-shaders는 Makepad 2.0 셰이더 코드를 작성하고 디버깅하기 위한 Frontend Development 스킬입니다. pixel: fn() 및 vertex: fn() 블록, Sdf2d 도형, 커스텀 위젯 드로잉, premultiplied alpha, 그리고 실용적인 설치·사용 가이드를 다룰 때 이 makepad-2.0-shaders 스킬을 사용하세요.