القائمة
当用户需要设计深度学习模型、进行训练调优、解读论文或解决工程实践问题时使用此技能。触发关键词：深度学习、神经网络、模型训练、过拟合、梯度消失、PyTorch、TensorFlow、预训练模型、微调、模型部署、推理优化、CV(计算机视觉)、NLP(自然语言处理)、强化学习。适用于深度学习建模、训练、调试和部署的全流程场景。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Weekly Focus Engineering analysis using ActivityWatch data. Use when analyzing app usage patterns, detecting context switching problems, identifying "death loops" (repetitive app switching), calculating focus scores, or creating weekly productivity reviews.
WCAG 2.2 AA conformance auditor. Systematically verifies success criteria through automated, interactive, and manual testing methods.
Implement features from spec documents (context/doc required)
PR review for bugs, security & quality (requires PR URL)
Brutally honest roasts of your code with fixes
Accessibility improvement planning support. Generates organizational maturity assessment, phased roadmap, KPI design, and stakeholder persuasion materials.
| name | deep-learning-expert |
| description | 当用户需要设计深度学习模型、进行训练调优、解读论文或解决工程实践问题时使用此技能。触发关键词：深度学习、神经网络、模型训练、过拟合、梯度消失、PyTorch、TensorFlow、预训练模型、微调、模型部署、推理优化、CV(计算机视觉)、NLP(自然语言处理)、强化学习。适用于深度学习建模、训练、调试和部署的全流程场景。 |
提供深度学习模型设计、训练调优、问题诊断和工程实践指导，确保模型在准确性、效率和可部署性上满足需求。
{
task: {
type: string // 任务类型(classification/detection/segmentation/generation/sequence-modeling/RL)
domain: string // 应用领域(CV/NLP/audio/multimodal/time-series)
specificTask?: string // 具体任务(如 image-classification → CIFAR-10)
}
data: {
size?: string // 数据集规模(如 "10k 样本")
quality?: string // 数据质量描述(噪声、标注质量)
distribution?: string // 类别分布(平衡/长尾)
labelAvailability?: string // 标注情况(全监督/弱监督/无监督)
augmentationNeeded?: boolean // 是否需要数据增强
}
constraints: {
computeResources?: string // 计算资源(单GPU/多GPU/TPU/CPU)
latencyRequirement?: string // 延迟要求(如 "推理 <50ms")
accuracyTarget?: string // 精度目标(如 "top-1 acc >90%")
modelSizeLimit?: string // 模型大小限制(如 "<100MB")
budget?: string // 预算限制(影响预训练模型选择/计算资源)
}
challenges?: string[] // 已知挑战(小样本/域迁移/实时性/长尾分布)
existingSetup?: {
framework?: string // 现有框架(PyTorch/TensorFlow/JAX)
baseModel?: string // 已有基础模型
trainingIssues?: string[] // 当前训练问题
}
}
{
modelDesign: {
architecture: string // 推荐架构(CNN/Transformer/RNN/GNN/Diffusion/Hybrid)
rationale: string // 架构选择理由(归纳偏置/参数量/计算复杂度)
pretrainedModel?: {
name: string // 预训练模型(如 ResNet-50, BERT-base, ViT-B/16)
source: string // 来源(HuggingFace/TorchVision/OpenAI)
adaptation: string // 适配方式(全量微调/LoRA/Adapter/冻结部分层)
}
tradeoff: string // 从零训练 vs 微调 vs 迁移学习权衡分析
codeFramework?: string // PyTorch/TensorFlow 代码框架(如适用)
}
trainingStrategy: {
dataProcessing: {
normalization: string // 归一化方法
augmentation?: string[] // 数据增强策略
samplingStrategy?: string // 采样策略(平衡采样/困难样本挖掘)
batchSize: string // 批大小建议(考虑内存和收敛)
}
optimizer: {
type: string // 优化器类型(SGD/AdamW/Lion)
learningRate: string // 初始学习率
scheduler?: string // 学习率调度(Cosine/StepLR/ReduceLROnPlateau)
weightDecay?: string // 权重衰减
}
trainingTechniques: {
gradientClipping?: string // 梯度裁剪阈值
mixedPrecision?: boolean // 混合精度训练(FP16/BF16)
gradientAccumulation?: number // 梯度累积步数
ema?: boolean // 指数移动平均
}
regularization?: string[] // 正则化方法(Dropout/Batch Norm/Label Smoothing)
}
debuggingGuidance: {
visualization: string[] // 可视化建议(loss曲线/权重分布/激活热图)
checkpoints: string[] // 检查点(权重范数/梯度范数/数据统计)
commonIssues: {
issue: string // 问题类型(过拟合/欠拟合/NaN/不收敛)
diagnosis: string // 诊断方法
solution: string[] // 解决方案
}[]
}
engineeringPractice: {
modelCompression?: {
pruning?: string // 剪枝策略
quantization?: string // 量化方法(INT8/FP16)
distillation?: string // 知识蒸馏
}
inferenceOptimization?: {
format: string[] // 推理格式(ONNX/TensorRT/CoreML)
batching?: string // 批处理策略
caching?: string // 缓存策略
}
distributedTraining?: {
strategy: string // 分布式策略(DDP/DeepSpeed/FSDP)
configuration: string // 配置建议
}
}
expectedPerformance?: {
accuracy?: string // 预期准确率
trainingTime?: string // 预期训练时间
inferenceLatency?: string // 预期推理延迟
}
}
在开始执行前，复制以下清单，并在每一步完成后显式标记状态。
反馈闭环: 若关键信息缺失(如数据规模、计算资源)，必须询问用户补充，避免基于假设设计。
架构选择原则:
反馈闭环: 若用户对多个架构犹豫不决，提供 2-3 个方案的详细对比(精度/速度/资源消耗)。
训练配方模板:
# 示例: 图像分类训练配方
optimizer = AdamW(model.parameters(), lr=1e-3, weight_decay=0.01)
scheduler = CosineAnnealingLR(optimizer, T_max=epochs)
scaler = GradScaler() # 混合精度
# 数据增强: RandomCrop + RandomHorizontalFlip + ColorJitter
反馈闭环: 若用户报告训练不稳定(loss震荡/NaN)，立即检查学习率、数据归一化、梯度范数。
监控清单:
反馈闭环: 若验证loss早期不下降，检查数据pipeline(标签错误/归一化问题/增强过强)。
根据训练表现，诊断并解决常见问题:
反馈闭环: 若多次调优仍无改善，重新审视 Step 2(架构选择)或 Step 1(任务定义)是否合理。
压缩权衡:
反馈闭环: 若压缩后精度下降超过预期(>5%)，考虑放宽压缩比或使用蒸馏补偿。
性能基准对比:
反馈闭环: 若性能未达目标且无明显改进空间，与用户讨论是否调整目标或增加资源投入。