Pytorch

pytorch-patterns giúp bạn viết, rà soát và gỡ lỗi mã PyTorch với các mẫu độc lập thiết bị, thí nghiệm có thể tái lập và xử lý tensor rõ ràng. Dùng skill pytorch-patterns để có vòng lặp huấn luyện gọn hơn, refactor mô hình dễ hơn và hướng dẫn PyTorch thực tiễn hơn.

torchdrug là bộ công cụ native PyTorch dành cho machine learning trên phân tử và protein. Dùng skill torchdrug để chọn tác vụ, bộ dữ liệu và các mô hình mô-đun cho graph neural networks, mô hình protein, suy luận trên knowledge graph, tạo phân tử và retrosynthesis. Đây là lựa chọn phù hợp nhất cho phát triển mô hình tùy biến và cấu hình có thể tái lập, chứ không chỉ cho các demo có sẵn.

Hướng dẫn skill torch-geometric cho mạng nơ-ron đồ thị PyTorch Geometric. Dùng để được hỗ trợ cài đặt torch-geometric, cách sử dụng torch-geometric, phân loại đồ thị, phân loại nút, dự đoán liên kết, đồ thị dị thể, các lớp MessagePassing tùy chỉnh và mở rộng GNN cho quy trình Machine Learning.

huggingface-vision-trainer giúp bạn cài đặt và sử dụng một skill Hugging Face cho các tác vụ huấn luyện thị giác máy tính: phát hiện đối tượng, phân loại ảnh và phân đoạn SAM/SAM2. Nội dung bao gồm chuẩn bị dữ liệu, thiết lập GPU trên cloud, đánh giá mô hình, ghi log bằng Trackio và đẩy kết quả lên Hub. Phù hợp cho tự động hóa backend và các quy trình huấn luyện có thể lặp lại.

huggingface-llm-trainer giúp bạn huấn luyện hoặc fine-tune các mô hình ngôn ngữ và thị giác trên Hugging Face Jobs bằng TRL hoặc Unsloth. Dùng skill huggingface-llm-trainer cho SFT, DPO, GRPO, reward modeling, kiểm tra dataset, chọn GPU, lưu lên Hub, theo dõi bằng Trackio và xuất GGUF cho các quy trình phát triển backend.

Skill transformers giúp bạn dùng Hugging Face Transformers để tải mô hình, suy luận, tokenization và fine-tuning. Đây là hướng dẫn transformers thực tế cho các tác vụ Machine Learning trên text, vision, audio và quy trình đa phương thức, với lộ trình rõ ràng cho baseline nhanh cũng như huấn luyện tùy chỉnh.

Hướng dẫn skill stable-baselines3 cho quy trình Machine Learning: huấn luyện tác tử RL, kết nối môi trường Gymnasium, và chọn PPO, SAC, DQN, TD3, DDPG hoặc A2C với ít phải đoán mò hơn. Phù hợp nhất cho reinforcement learning một tác tử tiêu chuẩn, tạo mẫu nhanh và sử dụng stable-baselines3 thực tế.

scvi-tools là một framework Python cho phân tích đơn bào theo hướng xác suất. Hãy dùng skill scvi-tools này cho batch correction, latent embeddings, differential expression có kèm độ bất định, transfer learning và tích hợp đa mô thức. Đây là lựa chọn rất phù hợp cho các workflow single-cell RNA-seq, ATAC, CITE-seq, multiome và spatial, đặc biệt trong các bài toán Machine Learning nâng cao.

Skill pytorch-lightning giúp tổ chức các dự án PyTorch với LightningModule và Trainer. Hãy dùng hướng dẫn pytorch-lightning này để cài đặt, huấn luyện, xác thực, ghi log, lưu checkpoint và chạy phân tán trên quy trình nhiều GPU hoặc TPU.

pyhealth giúp bạn xây dựng các pipeline deep learning cho dữ liệu lâm sàng và y tế theo luồng Dataset → Task → Model → Trainer → Metrics. Hãy dùng skill pyhealth này cho MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, dự đoán, gợi ý thuốc, phân giai đoạn giấc ngủ, mã hóa ICD, sự kiện EEG và ánh xạ mã y khoa.

pufferlib là một skill học tăng cường hiệu năng cao, hỗ trợ mô phỏng song song nhanh, rollout vector hóa và huấn luyện đa tác tử. Hãy dùng hướng dẫn pufferlib này để cài đặt, nắm cách sử dụng pufferlib và điều chỉnh các pipeline RL với Gymnasium, PettingZoo, Atari, Procgen hoặc các môi trường kiểu NetHack. Phù hợp cho tạo mã tập trung vào thông lượng và các quy trình PPO có khả năng mở rộng.

Skill cellxgene-census để truy vấn CELLxGENE Census bằng lập trình. Dùng để khám phá dữ liệu biểu hiện gen, metadata, embeddings và các mẫu liên hệ giữa nhiều bộ dữ liệu trên các mô, bệnh và loại tế bào. Phù hợp nhất cho phân tích single-cell ở quy mô quần thể và so sánh với atlas tham chiếu; nếu làm việc với dữ liệu của chính bạn, hãy dùng scanpy hoặc scvi-tools.