Agent skill · software engineering · affaan-m
pytorch-patterns
PyTorch深度学习模式与最佳实践，用于构建稳健、高效且可复现的训练流程、模型架构和数据加载。
Why this skill is useful
Adds executable scripts and best practices for building robust and efficient PyTorch training workflows that aren't widely documented.
What it needs
Requires numpy, torch installed locally. About 4k tokens when loaded. Last updated 2026-08-06. 238,342 stars on the source repository.
What this skill does
PyTorch 开发模式 构建稳健、高效和可复现深度学习应用的 PyTorch 惯用模式与最佳实践。 何时使用 编写新的 PyTorch 模型或训练脚本时 评审深度学习代码时 调试训练循环或数据管道时 优化 GPU 内存使用或训练速度时 设置可复现实验时 核心原则 1. 设备无关代码 始终编写能在 CPU 和 GPU 上运行且不硬编码设备的代码。 2. 可复现性优先 设置所有随机种子以获得可复现的结果。 3. 显式形状管理 始终记录并验证张量形状。 模型架构模式 清晰的 nn.Module 结构 正确的权重初始化 训练循环模式 标准训练循环 验证循环 数据管道模式 自定义数据集 高效的数据加载器配置 针对变长数据的自定义整理函数 检查点模式 保存和加载检查点 性能优化 混合精度训练 大模型的梯度检查点 使用 torch.compile 加速 快速参考：PyTorch 惯用法 惯用法 描述 ------- ------------- model.train() / model.eval() 训练/评估前始终设置模式 torch.nograd() 推理时禁用梯度 optimizer.zerograd(settonone=True) 更高效的梯度清零 .to(device) 设备无关的张量/模型放置 torch.amp.autocast 混合精度以获得 2 倍速度 pinmemory=True 更快的 CPU→GPU 数据传输 torch.compile JIT 编译加速 (2.0+) weightsonly=True 安全的模型加载 torch.manualseed 可复现的实验 gradientcheckpointing 以计算换取内存 应避免的反模式 请记住：PyTorch 代码应做到设备无关、可复现且内存意识强。如有疑问，请使用 torch.profiler 进行分析，并使用 torch.cuda.memorysummary() 检查 GPU 内存。
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills affaan-m/pytorch-patterns--06f051