NumPy 从零实现机器学习
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 @kunlungrowth/kunlun-numpy-ml-from-scratch。
技能介绍
要解决什么问题
手写 NumPy 机器学习 时,常见痛点不是缺教程,而是没有可执行的工程节奏:线性回归的 forward 怎么评审、反向传播的数值稳定性怎么写进方案、shape mismatch 报错怎么按证据排查、纯 NumPy 还是要引 sklearn 只当对照——这些决策往往落在 diff 和报错栈上,却缺少结构化清单。
本技能把通用工程能力落在「从零实现」这一主题上:听到 review/评审 产出分级检查清单;设计/方案 给出背景、选型与风险模板;debug/排查 走复现→隔离→假设验证;选型/架构 对比利弊与规模;API/契约 定字段与错误码;规范/最佳实践 给清单与反模式。触发词路由后组合使用即可。
技能如何工作
输入可以是 PR diff、需求约束、报错上下文或语言/框架约束,对应能力直接交付模板化文档,例如代码评审工作流强调正确性优先于风格、阻断/建议/可选分级;线上排错要求先稳定复现再改代码。
围绕 NumPy ML,你把场景写清楚(例如只实现逻辑回归、约束无 GPU、需要对齐某门课作业接口),输出会替换通用占位为更贴合的实现与测试要点。
边界与注意
技能提供方法论与模板,不替代专业资质判断,不接付费 API,不处理真实密钥。评审结论由负责人拍板;涉及敏感信息仅给脱敏示例。它也不自动生成完整训练脚本——核心仍是帮你把评审、方案、排错写成可复用的工程文档。
使用场景
- 提交仅含 NumPy 的线性回归 PR 前,需要按正确性、边界与测试覆盖生成阻断/建议级评审清单
- 课程作业要求手写反向传播,需在方案里写清激活函数选型、梯度裁剪与数值稳定风险
- 训练循环报 `operands could not be broadcast together`,要按复现→日志→二分假设产出定位树与修复验证步骤
- 小组讨论纯 NumPy 实现与小规模引入 sklearn 对照的利弊,需要带适用规模与长期维护成本的选型表
适合人员
- 正在跟读 ML 课程、必须把梯度下降与矩阵运算用 NumPy 写完提交的学生,希望 diff 评审有统一标准
- 负责带新人做「从零实现」专题的技术负责人,需要把架构取舍与 API 字段约定写成可交接文档
- 独立开发者用 NumPy 复现经典模型做作品集,线上 shape 或 NaN 问题需要结构化排错而非凭直觉改代码
- 全栈工程师跨界补 ML 基础,写技术方案时需要把需求约束转成背景/目标/选型/风险模板