PyTorch 开发模式
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md，安装 @user_e514343f/xrqtest。
技能介绍
解决的问题
PyTorch 项目里，问题往往不在模型结构，而在训练细节：device 被写死、随机种子缺失、tensor shape 没校验、train() 和 eval() 漏切、GPU 内存增长、数据加载成为瓶颈。这个技能把这些高频细节整理成可检查的模式，帮助写新模型、训练脚本、做代码审查、调试训练循环和数据管道。
核心能力与工作方式
它围绕三组约束展开：设备无关、结果可复现、显式形状管理。常见做法包括使用 .to(device) 代替硬编码 GPU，用 torch.manual_seed 固定随机源，在 nn.Module 中明确输出 shape，并用 torch.no_grad()、optimizer.zero_grad(set_to_none=True)、model.train()/model.eval() 组成标准训练与验证循环。数据侧覆盖 Dataset、DataLoader、pin_memory=True 和变长样本的 collate_fn。实验管理覆盖 checkpoint 保存加载，并提示 weights_only=True 的安全加载。性能部分给出 torch.amp.autocast 混合精度、gradient_checkpointing 和 torch.compile 的使用场景，同时提醒用 torch.profiler 与 torch.cuda.memory_summary() 做验证。
适用边界
它适合 PyTorch 训练代码与推理服务的工程化检查，不是完整的分布式训练、数据科学实验平台或模型压缩方案。torch.compile、混合精度、显存策略都与具体版本、算子和输入形状相关，落地前需要按真实数据 profile。
使用场景
- 写 PyTorch 模型时检查 device、随机种子与 tensor shape。
- 审查训练循环是否漏掉 train/eval、no_grad 和 zero_grad。
- 调试数据管道，配置 pin_memory、collate_fn 和 DataLoader。
- 优化显存与速度，使用 autocast、checkpointing 和 torch.compile。
适合人员
- 负责训练脚本的算法工程师：希望固定随机种子、切好 train/eval 并减少显存问题。
- 做 PyTorch 代码评审的工程师：需要检查 device、shape、checkpoint 和安全加载。
- 维护数据管道的 ML 工程师：要优化 DataLoader、pin_memory 和变长 collate。
- 部署推理服务的工程师：想用 no_grad、autocast 和 torch.compile 检查性能。
相关技能
解析目录或文件中的代码，提取控制流与数据流，输出带 Mermaid 源码的 Markdown 和高清 PNG 图。
面向 VSCode 与 TypeScript IDE 的开发编程场景。
面向 TypeScript 场景的 Windmill Wrap 开发参考。
基于 Python 的 Selenium 网页操作封装，适合工程化编写浏览器自动化流程。