tensorflow-deep-learning — правило для Cursor: настройка моделей
Правило задаёт рекомендации для работы с TensorFlow: от подготовки данных и обучения до оценки и экспорта модели. Пригодится, если хотите, чтобы Cursor учитывал эти практики в Python-файлах и ноутбуках.
.cursor/rules/tensorflow-deep-learning.mdcЧто делает tensorflow-deep-learning
Правило применяется к *.py, *.ipynb, pyproject.toml, requirements*.txt и environment*.yml. Оно предлагает разделять загрузку данных, описание модели, обучение и оценку, а повторяемый код переносить из исследовательских ноутбуков в модули. Для обработки входных данных рекомендуются конвейеры tf.data, а параметры модели предлагается хранить в типизированной конфигурации.
Перед обучением правило советует проверить формы и типы данных, метки и баланс классов. Разделять данные нужно до аугментации и подгонки нормализации; для выбора параметров использовать валидационную выборку, а для итогового отчёта — отдельный тестовый набор. Это помогает не допустить утечки данных. Для оценки предлагаются метрики по типу задачи, а лучший чекпойнт выбирается по валидационной метрике.
При подготовке к запуску правило напоминает согласовать предобработку в обучении и обслуживании модели, задать сигнатуры входов и проверить экспортированную модель тестовым запуском. Оно также советует следить за задержкой, памятью и дрейфом предсказаний. Смешанную точность стоит включать только после проверки численной стабильности; поведение GPU может быть недетерминированным.
Какие задачи решает
- разделить код загрузки данных, обучения и оценки
- проверить метки, типы и баланс классов до обучения
- предотвратить утечку валидационных данных при предобработке
- выбрать лучший чекпойнт по метрике валидации
- проверить экспортированную модель на тестовых входах
Примеры запросов агенту
- Проверь, что подготовка данных не создаёт утечку между обучающей и валидационной выборками.
- Раздели код обучения TensorFlow и экспериментальные ячейки ноутбука на повторяемые модули.
- Подготовь экспорт модели с сигнатурами входов и тестовым запуском на примерах.
Как установить tensorflow-deep-learning
Вручную: положить файлы
.cursor/rules/tensorflow-deep-learning.mdcВо frontmatter: description, globs, alwaysApply
Вручную: положить файлы
.claude/rules/tensorflow-deep-learning.mdПоле paths во frontmatter ограничивает файлы: globs из источника → paths
AGENTS.md
Codex читает AGENTS.md: вставьте текст правила туда
Вручную: положить файлы
.github/instructions/tensorflow-deep-learning.instructions.mdПоле applyTo задаёт, к каким файлам применять: globs из источника → applyTo
Вручную: положить файлы
.devin/rules/tensorflow-deep-learning.mdВручную: положить файлы
.clinerules/tensorflow-deep-learning.mdПо шагам, с командами для каждой платформы: Cursor rules: файлы .mdc, четыре режима и замена .cursorrules
Вопросы о tensorflow-deep-learning
Как установить tensorflow-deep-learning в Cursor?
Добавьте файл правила по пути .cursor/rules/tensorflow-deep-learning.mdc.
Что делает tensorflow-deep-learning?
Правило подсказывает, как организовать проект TensorFlow, проверять данные, обучать и оценивать модели, а затем готовить их к запуску.
Как правило помогает избежать утечки данных?
Оно рекомендует разделить выборки до аугментации и подгонки нормализации, а для настройки использовать валидационные данные отдельно от тестовых.
Исходный текст
tensorflow-deep-learning.mdc · CC0-1.0
--- description: TensorFlow and deep learning rules for building, training, evaluating, and deploying neural network models globs: ["**/*.py", "**/*.ipynb", "pyproject.toml", "requirements*.txt", "environment*.yml"] alwaysApply: false --- # TensorFlow and Deep Learning Rules ## Project Structure - Separate data loading, model definition, training, evaluation, and serving code. - Use `tf.data` pipelines for scalable input processing. - Keep model hyperparameters in typed config files or dataclasses. - Store checkpoints, logs, and exported models outside source directories. - Keep notebooks exploratory; move repeatable training code into modules. ## Model Development - Start with a small baseline model and a tiny overfit test before scaling. - Use Keras layers and models unless lower-level TensorFlow APIs are required. - Prefer explicit input shapes and named inputs/outputs. - Use callbacks for checkpointing, early stopping, learning-rate scheduling, and TensorBoard logging. - Use mixed precision only after validating numerical stability. - Pin random seeds where reproducibility matters, while documenting nondeterministic GPU behavior. ## Training - Validate data shapes, dtypes, label ranges, and class balance before training. - Split data before augmentation or normalization fitting. - Use validation data for tuning and a separate test set for final reporting. - Track loss curves, metrics, learning rate, and resource use. - Save the best checkpoint by validation metric, not by final epoch. ## Evaluation - Report task-appropriate metrics such as AUROC, F1, calibration, perplexity, BLEU/ROUGE, or MAE/RMSE. - Include confusion matrices or error slices for classification tasks. - Evaluate on edge cases and distribution shifts when data allows. - Compare against non-neural baselines when the dataset is small or tabular. ## Deployment - Export models with clear input signatures. - Keep preprocessing consistent between training and serving. - Add smoke tests that load the exported model and run inference on sample inputs. - Monitor latency, memory, prediction drift, and input schema changes. ## Common Mistakes - Do not tune architecture before verifying labels and data quality. - Do not leak validation data through preprocessing or augmentation. - Do not rely on accuracy alone for imbalanced data. - Do not deploy a notebook-only model. - Do not ignore batch size, dtype, and device differences between training and inference.
© PatrickJS · CC0-1.0 · PatrickJS/awesome-cursorrules
