PyTorch

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。

torchdrug 是一个原生 PyTorch 的分子与蛋白质机器学习工具包。使用 torchdrug 技能来选择任务、数据集和模块化模型，覆盖图神经网络、蛋白质建模、知识图谱推理、分子生成和逆合成。它更适合自定义模型开发和可复现配置，而不只是现成演示。

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。

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-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。

transformers 技能可帮助你使用 Hugging Face Transformers 进行模型加载、推理、分词和微调。它是一份面向 Machine Learning 任务的实用 transformers 指南，覆盖文本、视觉、音频和多模态工作流，并为快速基线和自定义训练提供清晰路径。

面向机器学习工作流的 stable-baselines3 技能指南：训练 RL 智能体、对接 Gymnasium 环境，并更有把握地选择 PPO、SAC、DQN、TD3、DDPG 或 A2C。适合标准单智能体强化学习、快速原型验证，以及实用的 stable-baselines3 用法。

scvi-tools 是一个用于概率式单细胞分析的 Python 框架。可将此 scvi-tools 技能用于批次校正、潜在嵌入、带不确定性的差异表达、迁移学习和多模态整合。它非常适合单细胞 RNA-seq、ATAC、CITE-seq、multiome 和空间组学工作流，尤其适用于更高级的机器学习场景。

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。

pyhealth 帮你搭建临床与医疗深度学习流水线，采用 Dataset → Task → Model → Trainer → Metrics 的工作流。适用于 MIMIC-III/IV、eICU、OMOP、SleepEDF、ChestXray14、EHRShot，以及预测、药物推荐、睡眠分期、ICD 编码、EEG 事件和医疗代码映射等任务。

pufferlib 是一款高性能强化学习技能，适用于快速并行仿真、向量化 rollout 和多智能体训练。可通过本 pufferlib 指南完成安装、理解 pufferlib 的用法，并将 RL 流水线适配到 Gymnasium、PettingZoo、Atari、Procgen 或 NetHack 风格环境中。适合面向吞吐量优化和可扩展 PPO 工作流的代码生成。

用于通过程序化方式查询 CELLxGENE Census 的 cellxgene-census 技能。可用来探索表达数据、元数据、embedding，以及跨数据集的模式，覆盖不同组织、疾病和细胞类型。最适合群体规模的单细胞分析和参考图谱比较；如果是你自己的数据，建议使用 scanpy 或 scvi-tools。