下载

Skill UI

浏览并发现 9747+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索训练指标，共找到 14 条记录

默认排序最新上传最多下载

迁移学习适配工具

adapting-transfer-learning-models

jeremylongshore/claude-code-plugins-plus-skills

自动化迁移学习流程，根据需求生成微调代码、验证数据、记录指标并保存产出，快速将预训练模型适配到新任务或数据集，提升性能与效率。

LLM微调专家指南

fine-tuning-expert

Jeffallan/claude-skills

指导模型工程师完成数据准备、LoRA/QLoRA 适配器配置、训练监控、评估指标收集以及 Adapter 合并部署等 LLM 微调与量化的关键流程。

模型评估指标助手

model-evaluation-metrics

jeremylongshore/claude-code-plugins-plus-skills

自动提供模型评估指标的指导，涵盖实践、代码和验证规范，针对提及模型评估指标时自动激活的训练辅助。

深度学习模型优化

optimizing-deep-learning-models

jeremylongshore/claude-code-plugins-plus-skills

通过分析模型结构、数据与指标，自动选择优化器、调度学习率和正则化方法，生成优化后的代码并评估准确率、训练时间与资源消耗，适合需要提升性能与效率的深度学习模型。

实验追踪配置助手

setting-up-experiment-tracking

jeremylongshore/claude-code-plugins-plus-skills

自动化配置 MLflow 或 W&B 的实验追踪，设置环境、启动服务，并提供记录参数、指标与产物的代码示例，保持模型训练可复现且便于对比。

TensorBoard 可视化工具包

Orchestra-Research/AI-Research-SKILLs

TensorBoard 提供统一可视化界面，跟踪训练指标、调试模型、对比实验、观察网络结构并分析性能瓶颈，适用于 PyTorch 与 TensorFlow 训练流程。

运动数据分析与健康指导

fitness-analyzer

sickn33/antigravity-awesome-skills

本技能用于深度分析用户运动日志，追踪运动量、强度和频率的长期变化趋势。它可以量化跑步、力量训练等运动的进步情况，并分析运动数据与血压、体重等健康指标的关联性，从而生成科学、个性化的训练优化建议。

实验结果监控与分析

monitor-experiment

wanshuiyin/Auto-claude-code-research-in-sleep

本技能提供一套完整的实验结果监控工作流，用于跨平台（如SSH、Vast.ai、Modal）检查正在运行的实验。它指导用户收集实时日志、提取结构化JSON结果，并通过Weights & Biases (W&B) API拉取详细的训练指标（如损失曲线、准确率）。最后，它将结果进行汇总、与基线进行对比，并提供后续的行动建议。

Trackio：机器学习实验跟踪

hugging-face-trackio

sickn33/antigravity-awesome-skills

Trackio是一个全面的实验跟踪库，用于记录、可视化和管理机器学习训练过程中的指标和警报。它通过Python API支持在训练过程中记录指标和设置诊断警报。同时，CLI接口支持指标的查询和仪表盘展示，并将数据同步到Hugging Face Spaces，特别适用于自动化和远程的ML实验监控流程。

交互式训练健康监测

wanshuiyin/Auto-claude-code-research-in-sleep

这是一个交互式的训练监控工具，用于定期检查深度学习模型的运行状态和指标健康度。它会分析损失曲线、评估指标、梯度变化等关键指标，自动识别NaN值、发散、平台期等异常情况。根据检测结果，提供继续、等待或停止训练的决策建议，确保计算资源不会浪费在失败的模型上。

系统资源检测与计算策略

get-available-resources

K-Dense-AI/scientific-agent-skills

本技能用于在进行任何计算密集型任务前，自动检测并报告系统所有的计算资源，包括CPU核心数、GPU支持（NVIDIA、AMD、Apple Silicon）、内存和磁盘空间。它不仅提供简单的资源指标，更生成包含战略性、上下文感知建议的JSON报告。这些建议能指导用户在数据分析或模型训练前，做出最佳的计算架构决策，例如是否需要采用Dask进行内存外计算，或选择最佳的并行处理参数。

临床深度学习医疗数据管道

K-Dense-AI/scientific-agent-skills

PyHealth是一个用于临床和医疗深度学习的模块化Python工具包。它提供了一个标准化的五阶段流程（数据集→任务→模型→训练器→指标），用于处理复杂的、多模态的医疗数据，包括电子病历、生理信号和医学影像。可用于预测死亡率、再入院风险、药物推荐或进行医学编码映射。

语言