GPU

pytorch-patterns 帮助你使用与设备无关的模式、可复现实验和显式张量处理来编写、审查和调试 PyTorch 代码。将 pytorch-patterns 技能用于更干净的训练循环、模型重构以及实用的 PyTorch 指南。

面向 PyTorch Geometric 图神经网络的 torch-geometric 技能指南。适用于 torch-geometric 安装帮助、torch-geometric 使用、图分类、节点分类、链接预测、异构图、自定义 MessagePassing 层，以及面向 Machine Learning 工作流的 GNN 扩展与性能优化。

optimize-for-gpu 可以根据合适的库选择，帮助把受 CPU 限制的 Python 代码转成 NVIDIA GPU 代码。适用于数组、DataFrame、机器学习流水线、图分析、图像处理、地理空间任务、向量检索和自定义 kernel。它会针对 CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA 和 Warp 的选择提供实用的 optimize-for-gpu 用法与迁移建议。

用于通过 LightningModules 和 Trainers 组织 PyTorch 项目的 pytorch-lightning 技能。可将这份 pytorch-lightning 指南用于安装、训练、验证、日志记录、检查点保存，以及跨多 GPU 或 TPU 工作流的分布式执行。

面向后端开发团队的 modal 技能，使用 Modal 作为 Python 的云端运行时。了解何时将 Modal 用于 GPU 任务、自动扩缩容函数、Web API、定时作业和批处理流水线，以及如何选择合适的安装场景、阅读仓库内容，并以更少样板代码编写可直接部署的代码。

get-available-resources 会在执行重型科学计算或 ML 工作流前检查 CPU、GPU、内存和磁盘情况。它会返回资源快照，并给出并行处理、GPU 加速或内存安全方案的实用建议，帮助代理为工作流自动化做出更好的执行决策。

makepad-2.0-shaders 是一个用于编写和调试 Makepad 2.0 shader 代码的前端开发技能。适用于 pixel: fn() 和 vertex: fn() 代码块、Sdf2d 图形、自定义组件绘制、premultiplied alpha，以及实用的安装和使用指引。