Ml

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。

vector-index-tuning 可帮助优化向量检索索引，在延迟、召回率与内存占用之间取得平衡。可用于选择索引类型、调整 HNSW 参数，并比较适用于 RAG 工作流的量化方案。

huggingface-vision-trainer 帮你安装并使用一个用于视觉训练任务的 Hugging Face 技能：目标检测、图像分类以及 SAM/SAM2 分割。内容涵盖数据集准备、云端 GPU 配置、评估、Trackio 日志记录和结果推送到 Hub。适合后端自动化和可重复的训练工作流。

huggingface-trackio 可借助 Trackio 跟踪 ML 训练运行。使用此技能可从 Python 记录指标、添加训练告警，并通过 trackio CLI 检索或分析运行记录。它支持实时仪表盘、Hugging Face Space 同步以及用于自动化的 JSON 输出，因此 huggingface-trackio 很适合实验跟踪和数据分析。

huggingface-llm-trainer 可帮助你在 Hugging Face Jobs 上使用 TRL 或 Unsloth 训练或微调语言模型和视觉模型。这个 huggingface-llm-trainer 技能适用于 SFT、DPO、GRPO、奖励模型训练、数据集检查、GPU 选择、Hub 保存、Trackio 监控，以及面向后端开发工作流的 GGUF 导出。

huggingface-best 技能通过查看 Hugging Face 基准排行榜，并结合设备限制和模型大小进行筛选，帮助你为具体任务找到最合适的模型。适用于编码、推理、聊天、OCR、RAG、语音、视觉或多模态场景下的模型推荐，尤其是在你需要一份实用的候选清单，而不是泛泛的模型列表时。

hf-cli 技能可帮助你使用 Hugging Face Hub CLI (`hf`) 完成认证、下载、上传、仓库和 bucket 管理、数据集与模型查看，以及其他 Hub 工作流。它适合需要可重复、可脚本化的 hf-cli 使用方式，并希望获得一份实用 hf-cli 指南的 Backend Development 团队。

azure-ai-ml-py 是适用于 Python 的 Azure Machine Learning SDK v2。使用此技能可安装 azure-ai-ml-py，并通过 MLClient 连接与管理 Azure ML 工作区、作业、模型、数据集、计算资源和管道。它非常适合后端自动化以及可重复执行的 Azure ML 工作流。

azure-mgmt-weightsandbiases-dotnet 是面向 Azure Marketplace 上 Weights & Biases 的 .NET Azure Resource Manager SDK。这个 azure-mgmt-weightsandbiases-dotnet 技能适用于后端开发，可用于安装预览包、配置 Azure Identity，并从 C# 管理 W&B 实例的预配、SSO 和资源生命周期。

azure-ai-textanalytics-py 是面向 Python 的 Azure AI Text Analytics 技能。它可帮助你完成情感分析、实体识别、关键词提取、语言检测、PII 检测和医疗 NLP。适合需要快速完成 Azure 客户端配置、身份验证，以及在应用、notebook 或数据分析流程中落地文本分析的场景。

ml-pipeline-workflow 是一份实用指南，帮助你设计覆盖数据准备、训练、验证、部署与监控的端到端 MLOps 流水线，并提供适合构建可重复工作流自动化的编排模式。