PyTorch Patterns
PyTorch idiomatique : code agnostique du device, boucles d'entraînement reproductibles, chargement de données efficace et vitesse.
- Quoi
- PyTorch idiomatique : code agnostique du device, boucles d'entraînement reproductibles, chargement de données efficace et vitesse.
- Coût
- Gratuit
- Prérequis
- l'app Muse (mobile ou web). Skill de pur guide, rien à installer. Python avec PyTorch installé (un GPU est recommandé pour les sections performance).
- Niveau
- Débutant — l'app Muse (mobile ou web).
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor : les patterns PyTorch idiomatiques pour construire des applications de deep learning robustes, efficaces et reproductibles. Trois principes de base : code agnostique du device (jamais de .cuda() en dur, toujours passer par une variable device), reproductibilité d'abord (seeder torch, CUDA, numpy et random ensemble, cuDNN déterministe), et gestion explicite des shapes avec des annotations de dimensions dans chaque forward. Couvre une structure nn.Module propre avec initialisation explicite des poids (kaiming pour Linear/Conv, ones/zeros pour BatchNorm), des boucles d'entraînement complètes (précision mixte avec GradScaler, clipping de gradients, zero_grad(set_to_none=True)), une validation correcte (toujours model.eval() avec torch.no_grad(), jamais de dropout actif), une configuration DataLoader efficace (num_workers, pin_memory, persistent_workers, drop_last), des datasets sur mesure et fonctions collate pour données de longueur variable, du checkpointing complet (modèle plus optimiseur plus état d'époque, weights_only=True pour un chargement sûr), et la performance (AMP, gradient checkpointing qui échange du calcul contre de la mémoire, torch.compile depuis PyTorch 2.0). Inclut un tableau d'anti-patterns : oublier le mode eval en validation, opérations in-place qui cassent l'autograd, .item() avant backward, déplacer le modèle sur GPU dans la boucle. Par @affaan-m, listé ici avec crédit à son créateur. Tiré du dépôt affaan-m/ECC (MIT). Bémols honnêtes : pur guide, rien à installer ; il faut Python avec PyTorch installé, et un GPU pour profiter des sections performance. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.
Version :
Réponse rapide
les patterns PyTorch idiomatiques pour construire des applications de deep learning robustes, efficaces et reproductibles. Trois principes de base : code agnostique du device (jamais de.cuda() en dur, toujours passer par une variable device), reproductibilité d'abord (seeder torch, CUDA, numpy et random ensemble, cuDNN déterministe), et gestion explicite des shapes avec des annotations de dimensions dans chaque forward.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 4eb71d9Version épinglée : installe le code au commit 4eb71d92a39cab44ad40ac9d8a6a5ccb4029d6c2 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. Utilisez « Patterns PyTorch » avec votre Muse. Prérequis : l'app Muse (mobile ou web). Skill de pur guide, rien à installer. Python avec PyTorch installé (un GPU est recommandé pour les sections performance). 1. Ouvrez le skill : https://raw.githubusercontent.com/affaan-m/ECC/4eb71d92a39cab44ad40ac9d8a6a5ccb4029d6c2/skills/pytorch-patterns/SKILL.md et copiez le texte complet du SKILL.md. 2. Collez-le dans un chat avec Muse et ajoutez : « Révise [ma boucle d'entraînement / mon modèle / mon chargement de données] au regard de ces patterns PyTorch : [collez votre code]. » 3. Demandez à Muse de signaler les violations (.cuda() en dur, mode eval oublié en validation, aucun contrôle des seeds, DataLoader lent par défaut) et de proposer le code corrigé. Astuce : si une exécution ne se reproduit pas, commencez par la checklist de reproductibilité (seeds, cuDNN déterministe, ordre des données épinglé) avant de toucher au modèle. Sécurité : un skill est du texte d'instructions ; il n'exécute rien tout seul. Relisez tout code avant de l'exécuter, ne collez jamais de secrets dans un chat, et relisez tout ce que Muse propose avant qu'il n'agisse.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 4eb71d9 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 21 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.