Pytorch

A skill pytorch-patterns ajuda você a escrever, revisar e depurar código PyTorch com padrões independentes de dispositivo, experimentos reproduzíveis e manipulação explícita de tensores. Use a skill pytorch-patterns para obter loops de treinamento mais limpos, refatorações de modelos e orientação prática em PyTorch.

torchdrug é um toolkit nativo de PyTorch para machine learning com moléculas e proteínas. Use a skill torchdrug para escolher tarefas, datasets e modelos modulares para redes neurais em grafos, modelagem de proteínas, raciocínio em grafos de conhecimento, geração molecular e retrossíntese. Ela é mais indicada para desenvolvimento de modelos customizados e configurações reproduzíveis do que para demos prontas.

Guia do skill torch-geometric para redes neurais gráficas com PyTorch Geometric. Use para ajuda na instalação do torch-geometric, uso do torch-geometric, classificação de grafos, classificação de nós, previsão de links, grafos heterogêneos, camadas customizadas de MessagePassing e escalabilidade de GNNs em fluxos de Machine Learning.

A skill huggingface-vision-trainer ajuda você a instalar e usar uma skill do Hugging Face para jobs de treinamento em visão: detecção de objetos, classificação de imagens e segmentação com SAM/SAM2. Cobre preparação de datasets, configuração de GPU na nuvem, avaliação, logging com Trackio e envio dos resultados para o Hub. É ideal para automação de backend e fluxos de treinamento repetíveis.

huggingface-llm-trainer ajuda você a treinar ou fazer fine-tuning de modelos de linguagem e visão no Hugging Face Jobs com TRL ou Unsloth. Use esta skill huggingface-llm-trainer para SFT, DPO, GRPO, reward modeling, validação de datasets, escolha de GPU, salvamento no Hub, monitoramento com Trackio e exportação para GGUF em fluxos de trabalho de desenvolvimento de backend.

A skill transformers ajuda você a usar o Hugging Face Transformers para carregamento de modelos, inferência, tokenização e fine-tuning. É um guia prático de transformers para tarefas de Machine Learning em fluxos de texto, visão, áudio e multimodais, com caminhos claros para partir de baselines rápidas ou treinamento personalizado.

Guia da skill stable-baselines3 para fluxos de trabalho de Machine Learning: treine agentes de RL, conecte ambientes Gymnasium e escolha entre PPO, SAC, DQN, TD3, DDPG ou A2C com menos suposições. É ideal para reinforcement learning padrão de agente único, prototipação rápida e uso prático do stable-baselines3.

scvi-tools é um framework em Python para análise probabilística de dados de célula única. Use esta skill do scvi-tools para correção de lote, embeddings latentes, expressão diferencial com incerteza, transfer learning e integração multimodal. Ela é uma ótima opção para fluxos de trabalho com single-cell RNA-seq, ATAC, CITE-seq, multiome e espacial, especialmente em casos de uso avançados de Machine Learning.

Skill pytorch-lightning para organizar projetos PyTorch com LightningModules e Trainers. Use este guia de pytorch-lightning para instalação, treinamento, validação, logging, checkpointing e execução distribuída em fluxos de trabalho com multi-GPU ou TPU.

O pyhealth ajuda você a construir pipelines de deep learning para saúde e clínica com um fluxo Dataset → Task → Model → Trainer → Metrics. Use este skill de pyhealth para MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, prediction, drug recommendation, sleep staging, ICD coding, eventos de EEG e mapeamento de códigos médicos.

pufferlib é uma skill de reinforcement learning de alto desempenho para simulação paralela rápida, rollouts vetorizados e treinamento multiagente. Use este guia do pufferlib para instalar, entender o uso do pufferlib e adaptar pipelines de RL com ambientes Gymnasium, PettingZoo, Atari, Procgen ou no estilo NetHack. Ideal para geração de código focada em throughput e workflows escaláveis de PPO.

Skill do cellxgene-census para consultar programaticamente o CELLxGENE Census. Use-o para explorar dados de expressão, metadados, embeddings e padrões entre conjuntos de dados em tecidos, doenças e tipos celulares. É mais indicado para análises de single-cell em escala populacional e comparações com atlas de referência; para seus próprios dados, use scanpy ou scvi-tools.