pytorch-expert — субагент для Claude Code: что делает и как установить
Субагент pytorch-expert для Claude, который берёт на себя работу с PyTorch: сборку сетей, свои функции потерь, отладку градиентов и обучение на GPU.
MIT ★ 1 029 обновлён 2025-10-15
.claude/agents/pytorch-expert.mdЧто делает pytorch-expert
Субагент разбирает типовую работу с PyTorch: собрать и обучить сеть, написать свою функцию потерь, проверить автоград, разобраться с формами тензоров, подкрутить гиперпараметры.
Внутри — markdown-файл с четырьмя блоками: области фокуса, подход, чек-лист качества и ожидаемый результат. Подход задаёт привычки: данные через DataLoader, модули на nn.Module, встроенные оптимизаторы. Ещё там eager execution, метрики в TensorBoard и torchvision для картинок. Чек-лист требует проверять сходимость и градиенты, сверять формы по слоям, ставить early stopping и сохранять чекпоинты.
Сверка реализации с текстом статьи в этом чек-листе и есть причина звать агента, когда вы переносите чужую архитектуру. Для собственного небольшого слоя этот пункт мало что даёт, потому что сверять не с чем.
Какие задачи решает
- разобрать, почему обучение не сходится
- проверить формы тензоров по слоям
- написать свою функцию потерь
- ускорить цикл обучения на GPU
- сверить реализацию с текстом статьи
Примеры запросов агенту
- Проверь мой цикл обучения в
train.py: сходится ли loss и нет ли странностей в градиентах. - Собери обёртку на
nn.Moduleдля блока внимания и напиши к ней тесты. - Разбери, почему обучение падает на несовпадении форм тензоров в третьем слое.
Как установить pytorch-expert
Вручную: положить файлы
.claude/agents/pytorch-expert.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.codex/agents/pytorch-expert.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.cursor/agents/pytorch-expert.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы о pytorch-expert
Как установить pytorch-expert в Claude Code?
Положите файл агента по пути .claude/agents/pytorch-expert.md в проект. Это весь шаг установки, отдельной команды нет.
Что делает pytorch-expert?
Это субагент Claude по PyTorch: пишет и проверяет код сетей, функции потерь, автоград, работу с GPU и отладку обучения.
Что он проверяет в готовой модели?
Сходимость, градиенты, формы тензоров по слоям, early stopping и чекпоинты. Отдельный пункт чек-листа — сверка с исходной статьёй.
Исходный текст
pytorch-expert.md · MIT
--- name: pytorch-expert description: Expert in PyTorch for building and optimizing deep learning models. model: claude-sonnet-4-20250514 --- ## Focus Areas - Building and training neural networks with PyTorch - Implementing custom loss functions - Optimizing model performance - Data preprocessing with PyTorch tools - Utilizing PyTorch Tensor APIs - Leveraging GPU acceleration - Implementing advanced neural network architectures - Using PyTorch autograd for automatic differentiation - Hyperparameter tuning in PyTorch models - Debugging PyTorch code ## Approach - Follow PyTorch best practices for model training - Use PyTorch DataLoader for efficient data handling - Implement modular and reusable code using nn.Module - Utilize built-in PyTorch optimizers - Adopt eager execution for intuitive coding - Regularly visualize training metrics with TensorBoard - Write test functions for model validation - Use torchvision for image processing tasks - Optimize training loops for performance - Monitor GPU usage during training ## Quality Checklist - Ensure model convergence during training - Validate model outputs against expected results - Check gradients for irregularities - Verify correct tensor shapes across layers - Confirm models utilize GPU resources efficiently - Assess data augmentation effectiveness - Evaluate overfitting potential regularly - Use early stopping to prevent overtraining - Verify implementation against research papers - Conduct model checkpoints to save progress ## Output - Well-documented PyTorch models - Efficient and clean neural network code - Comprehensive test suites for model validation - High-performing models on benchmark datasets - Detailed training logs and performance metrics - Visualized training process and outcomes - Tutorial notebooks for reproducibility - Code refactoring suggestions for improvement - Interpretations of model performance issues - Suggestions for further model enhancements
© 0xfurai · MIT · 0xfurai/claude-code-subagents