Loading...
Loading...
共找到 47 个 Skills
本指南介绍如何使用Flask API搭建HuggingFace模型推理服务。适用于下载HuggingFace模型、创建推理端点或构建机器学习模型服务API的场景，可用于涉及transformers库、模型缓存以及为机器学习模型创建REST API的任务。
当你需要将ML模型部署到生产环境、设置模型监控、为模型实现A/B测试或管理特征库时，可使用此技能。触发场景包括模型部署、模型服务、ML流水线、特征工程、模型版本控制、数据漂移检测、模型注册表、实验追踪，以及任何需要机器学习运维基础设施的任务。
Python中scikit-learn机器学习、模型开发、评估与部署的最佳实践
当用户需要LLM系统架构、模型部署、优化策略以及生产级服务基础设施相关支持时使用。专注于设计可扩展的大语言模型应用，兼顾性能、成本效益与安全性。
使用Flow Nexus在分布式E2B沙箱中训练和部署神经网络
构建从数据准备、模型训练、验证到生产部署的端到端MLOps流水线。适用于创建ML流水线、实施MLOps实践，或自动化模型训练与部署工作流的场景。
使用MLflow跟踪机器学习实验、管理带版本控制的模型注册表、将模型部署到生产环境并复现实验——这是一款与框架无关的机器学习生命周期管理平台
Azure AI Custom Vision开发的专家知识，涵盖最佳实践、决策制定、限制与配额、安全、集成与编码模式以及部署相关内容。适用于导出Custom Vision模型、调用预测API、使用ONNX/TensorFlow、管理CMK/RBAC或Smart Labeler等Azure AI Custom Vision相关开发任务。不适用于Azure AI Vision（请使用azure-ai-vision）、Azure AI服务（请使用microsoft-foundry-tools）、Azure机器学习（请使用azure-machine-learning）、Azure AI Foundry Local（请使用microsoft-foundry-local）。
擅长构建可扩展的ML系统，涵盖数据管道、模型训练到生产部署与监控全流程。
适用于以下场景：部署ML模型、MLOps、模型服务、特征存储、模型监控，或询问PyTorch部署、TensorFlow生产环境部署、RAG系统、LLM集成、ML基础设施相关问题
基于PyTorch的TAO图像分类，支持多种骨干网络（FAN、EfficientNet、ResNet等），并带有用于部署的蒸馏和量化功能。适用于TAO图像分类（PyT）模型的训练、评估、蒸馏、量化、导出或推理场景。触发短语包括"train image classifier"、"TAO classification"、"ResNet/EfficientNet/FAN backbone classifier"、"classification-pyt"。
机器学习运维（MLOps）专家，衔接数据科学与DevOps领域。适用于构建ML流水线、模型版本控制、特征存储或生产级ML服务场景。触发关键词包括“MLOps”、“ML pipeline”、“model deployment”、“feature store”、“model versioning”、“ML monitoring”、“Kubeflow”、“MLflow”。