Pytorch

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.

torchdrug는 분자 및 단백질 머신러닝을 위한 PyTorch 네이티브 툴킷입니다. torchdrug 스킬을 사용해 그래프 신경망, 단백질 모델링, 지식 그래프 추론, 분자 생성, 역합성에 맞는 작업, 데이터셋, 모듈형 모델을 선택하세요. 단순한 데모가 아니라, 커스텀 모델 개발과 재현 가능한 설정에 특히 적합합니다.

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.

huggingface-vision-trainer는 객체 탐지, 이미지 분류, SAM/SAM2 세그멘테이션 같은 비전 학습 작업에 사용할 Hugging Face 스킬을 설치하고 활용하는 데 도움을 줍니다. 데이터셋 준비, 클라우드 GPU 설정, 평가, Trackio 로깅, 결과를 Hub에 푸시하는 과정까지 다루며, 백엔드 자동화와 반복 가능한 학습 워크플로에 적합합니다.

huggingface-llm-trainer는 TRL 또는 Unsloth를 사용해 Hugging Face Jobs에서 언어 모델과 비전 모델을 학습하거나 파인튜닝할 수 있게 해줍니다. 이 huggingface-llm-trainer skill은 SFT, DPO, GRPO, reward modeling, 데이터셋 점검, GPU 선택, Hub 저장, Trackio 모니터링, 그리고 백엔드 개발 워크플로를 위한 GGUF export에 활용할 수 있습니다.

transformers 스킬은 Hugging Face Transformers를 사용해 모델 로딩, 추론, 토큰화, 파인튜닝을 수행하는 데 도움이 됩니다. 텍스트, 비전, 오디오, 멀티모달 워크플로 전반에서 머신러닝 작업을 위한 실용적인 transformers 가이드로, 빠른 베이스라인부터 커스텀 학습까지 자연스럽게 이어집니다.

Machine Learning 워크플로를 위한 stable-baselines3 스킬 가이드입니다. RL 에이전트를 학습하고, Gymnasium 환경을 연결하고, PPO, SAC, DQN, TD3, DDPG, A2C 중에서 덜 헤매며 선택할 수 있습니다. 표준 단일 에이전트 강화학습, 빠른 프로토타이핑, 그리고 실무적인 stable-baselines3 활용에 가장 잘 맞습니다.

scvi-tools는 확률적 단일세포 분석을 위한 Python 프레임워크입니다. 이 scvi-tools 스킬은 배치 보정, 잠재 임베딩, 불확실성을 반영한 차등 발현 분석, 전이 학습, 멀티모달 통합에 유용합니다. 특히 single-cell RNA-seq, ATAC, CITE-seq, multiome, spatial 워크플로에 잘 맞으며, 고급 Machine Learning 활용 사례에서 강점이 있습니다.

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.

pyhealth로 Dataset → Task → Model → Trainer → Metrics 흐름에 맞춰 임상·헬스케어 딥러닝 파이프라인을 구축할 수 있습니다. 이 pyhealth 스킬은 MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, 예측, 약물 추천, 수면 단계 분류, ICD 코딩, EEG 이벤트, 의료 코드 매핑에 활용할 수 있습니다.

pufferlib은 빠른 병렬 시뮬레이션, 벡터화된 rollout, 멀티 에이전트 학습을 위한 고성능 강화학습 스킬입니다. 이 pufferlib 가이드를 통해 pufferlib 사용법을 설치하고 이해하며, Gymnasium, PettingZoo, Atari, Procgen, NetHack 스타일 환경에 맞게 RL 파이프라인을 조정할 수 있습니다. 처리량과 확장 가능한 PPO 워크플로에 초점을 둔 코드 생성에 적합합니다.

CELLxGENE Census를 프로그래밍 방식으로 조회하기 위한 cellxgene-census 스킬입니다. 발현 데이터, 메타데이터, 임베딩, 그리고 조직·질병·세포 유형 전반의 교차 데이터셋 패턴을 탐색할 때 유용합니다. 대규모 단일세포 분석과 레퍼런스 아틀라스 비교에 가장 적합하며, 직접 보유한 데이터에는 `scanpy` 또는 `scvi-tools`를 사용하는 것이 좋습니다.