К основному содержанию
скилл CX Codex

gradient-methods — скилл для Claude Code: градиентные методы

Скилл gradient-methods для Claude Code помогает выбирать градиентный метод оптимизации, шаг и диагностировать сходимость в задачах минимизации и при проверке выбранного подхода.

MIT ★ 3 951 обновлён 2026-01-26

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add parcadei/Continuous-Claude-v3 --skill gradient-methods -a claude-code
Открыть на GitHub

Что делает gradient-methods

Скилл разбирает градиентный спуск, подбор шага, ускоренные методы и метод Ньютона. Он объясняет, когда рассматривать фиксированный шаг, backtracking или точный поиск, а для квадратичных функций — сопряжённые градиенты. Для квазиньютоновского подхода приводит пример с BFGS.

Внутри есть команды для запуска примеров через scipy.optimize.minimize с методами BFGS и CG, а также вычисления градиента через sympy_compute.py. Скилл разрешает инструменты Bash и Read. Для примеров с SciPy нужна установленная библиотека SciPy; без неё команды оптимизации не выполнятся.

При разборе сходимости предлагается следить за нормой градиента, изменением значения функции и колебаниями. Если шаг слишком велик, итерации могут осциллировать — подбор шага здесь напрямую влияет на результат.

Какие задачи решает

  • выбрать правило подбора шага для градиентного спуска
  • сравнить градиентный спуск, BFGS и сопряжённые градиенты
  • вычислить градиент функции через SymPy
  • проверить сходимость по градиенту и значению функции

Примеры запросов агенту

  • Подскажи, как выбрать шаг для градиентного спуска в этой задаче оптимизации.
  • Сравни для моей функции методы BFGS и сопряжённых градиентов.
  • Вычисли градиент функции и объясни, как проверить сходимость.

Как установить gradient-methods

1Через Skills CLI (Vercel)

npx skills add parcadei/Continuous-Claude-v3 --skill gradient-methods -a claude-code

2Вручную: положить файлы

~/.claude/skills/gradient-methods/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/gradient-methods/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о gradient-methods

Как установить gradient-methods в Claude Code?

Выполните npx skills add parcadei/Continuous-Claude-v3 --skill gradient-methods -a claude-code. Файл скилла находится по пути ~/.claude/skills/gradient-methods/SKILL.md.

Что делает gradient-methods?

Скилл помогает выбрать градиентный метод, настроить шаг и оценить сходимость. Он охватывает градиентный спуск, ускоренные методы и метод Ньютона.

Какие инструменты нужны для примеров gradient-methods?

Скилл использует Bash и Read. Примеры оптимизации запускают scipy.optimize.minimize, а для вычисления градиента приведена команда с sympy_compute.py.

Исходный текст

SKILL.md · MIT
---
name: gradient-methods
description: "Problem-solving strategies for gradient methods in optimization"
allowed-tools: [Bash, Read]
---

# Gradient Methods

## When to Use

Use this skill when working on gradient-methods problems in optimization.

## Decision Tree


1. **Basic Gradient Descent**
   - Update: x_{k+1} = x_k - alpha * grad f(x_k)
   - Step size alpha: fixed, diminishing, or line search
   - Convergence: O(1/k) for convex, linear for strongly convex

2. **Step Size Selection**
   | Method | Approach |
   |--------|----------|
   | Fixed | alpha constant (requires tuning) |
   | Backtracking | Armijo condition: f(x - alpha*grad) <= f(x) - c*alpha*||grad||^2 |
   | Exact line search | minimize f(x - alpha*grad) over alpha |
   | Adaptive | Adam, RMSprop (ML applications) |

3. **Accelerated Methods**
   - Momentum: add velocity term
   - Nesterov: look-ahead gradient
   - Conjugate gradient: for quadratic functions
   - `scipy.optimize.minimize(f, x0, method='CG')` - conjugate gradient

4. **Newton's Method**
   - Update: x_{k+1} = x_k - H^{-1} * grad f
   - Requires Hessian (expensive but quadratic convergence)
   - Quasi-Newton (BFGS): approximate Hessian
   - `scipy.optimize.minimize(f, x0, method='BFGS')`

5. **Convergence Diagnostics**
   - Monitor ||grad f|| < tolerance
   - Check function value decrease
   - Watch for oscillation (step size too large)
   - `sympy_compute.py diff "f" --var x` for gradient


## Tool Commands

### Scipy_Bfgs
```bash
uv run python -c "from scipy.optimize import minimize; res = minimize(lambda x: (x[0]-1)**2 + 100*(x[1]-x[0]**2)**2, [0, 0], method='BFGS'); print('Rosenbrock min at', res.x)"
```

### Scipy_Cg
```bash
uv run python -c "from scipy.optimize import minimize; res = minimize(lambda x: x[0]**2 + x[1]**2, [1, 1], method='CG'); print('Min at', res.x)"
```

### Sympy_Gradient
```bash
uv run python -m runtime.harness scripts/sympy_compute.py diff "x**2 + y**2" --var "[x, y]"
```

## Key Techniques

*From indexed textbooks:*

- [nonlinear programming_tif] Gradient Methods** - These methods use gradient information to iteratively approach the optimum. Convergence** - Addressing convergence properties. Descent Directions and Stepsize Rules:** Focuses on how to choose descent directions and appropriate step sizes.
- [nonlinear programming_tif] The application of gradient methods to unconstrained optimal control prob- lems is straightforward in principle. For example the steepest descent method takes the form W = b oMV H, (kb ph,y), i=0,. Pl = Thus, given u¥, one computes zF by forward propagation of the system equation, and then p*¥ by backward propagation of the adjoint equation.
- [nonlinear programming_tif] Footer or Trailing Row**: - There is an empty concluding element indicated by a single ". Overall, this table serves as an index for chapters or sections within a document, with particular emphasis on optimization methods and related mathematical strategies, as evidenced by the listed methods like Gradient, Newton, and other derivative techniques. The scattered letters and empty slots may denote a form of stylistic or formatting choice rather than meaningful content in this context.
- [nonlinear programming_tif] Zoutendijk’s method uses tw ) oscalatse)Oand'ye 0,1), a i ! P, where ¢ — Y™k € and my is the firs onnegative k ok 28 %, ) it T #(z*,7"e) < -y (a) Show that (b) Prove that {d*} is gradient relat ishi i i Tt pones A related, thus establishing stationarity of the 2. Min-H Method for Optimal Control) Consider the problem of findin g sequences u = (z1,22,.
- [nonlinear programming_tif] Mustration of the function f of Exercise 1. Stability) (www) We are often interested in whether optimal solutions change radically when the problem data are slightly perturbed. This issue is addressed by stability analysis, to be contrasted with sensitivity analysis, which deals with how much optimal solutions change when problem data change.

## Cognitive Tools Reference

See `.claude/skills/math-mode/SKILL.md` for full tool documentation.

© parcadei · MIT · parcadei/Continuous-Claude-v3

Похожие скиллы

Все скиллы по теме «ИИ и ML» →
scipy-best-practices Mindrally Скилл scipy-best-practices для Claude Code задаёт агенту правила научных вычислений на SciPy: оптимизация, линейная алгебра, статистика, сигналы. Покрывает Python-код, который считает числа. CX Codex +1 1 100установок scipy-curve-fit benchflow-ai Скилл scipy-curve-fit обучает агента подбирать параметры нелинейных моделей по экспериментальным данным через scipy.optimize.curve_fit. CX Codex +1 2установок matplotlib K-Dense-AI Скилл для построения и тонкой настройки научных графиков на Matplotlib: от отдельных осей до многопанельных фигур и экспорта в PNG, PDF и SVG. CX Codex +1 2 500установок symbolic-equation lingzhi227 Скилл symbolic-equation для Claude Code подбирает физические формулы по числовым данным с помощью эволюционного поиска и языковых моделей. Выполняет символьную регрессию и ищет законы в экспериментальных данных. CX Codex +1 1 600установок tooluniverse-image-analysis mims-harvard Скилл tooluniverse-image-analysis для количественного анализа микроскопии и таблиц из ImageJ или CellProfiler. Считает морфометрию колоний, интенсивность флуоресценции и тест Даннетта. CX Codex +1 661установок sympy K-Dense-AI Скилл sympy для точных символьных вычислений: алгебра, дифференциальные уравнения, матрицы, физика. Когда нужен точный результат вроде √2 вместо 1.414, а не приближённые числа. CX Codex +1 2 300установок

Из того же набора161

Весь набор →
residues Скилл residues для Claude Code помогает решать задачи с вычетами в комплексном анализе. Запускает вычисления вычетов, определяет порядок полюсов и применяет теорему о вычетах через SymPy и Z3. CX Codex +1 ★ 3 951звёзд репо hilbert-spaces Скилл hilbert-spaces для Claude Code помогает решать задачи функционального анализа, работая с гильбертовыми пространствами. Применяется при доказательстве теорем об ортогональном разложении, проекциях и представлении Риса. CX Codex +1 ★ 3 951звёзд репо debug-agent Субагент debug-agent, который ищет корни ошибок: изучает кодовую базу, анализирует логи, находит паттерны и пишет подробный отчёт с рекомендациями по фиксу. CX Codex ★ 3 951звёзд репо interpolation Скилл interpolation помогает выбрать и реализовать численный метод интерполяции данных в Claude Code, от полиномов Лагранжа до сплайнов в SciPy. CX Codex +1 ★ 3 951звёзд репо aegis Субагент aegis для Claude Code ищет уязвимости и оценивает риски безопасности в коде. Он запускает проверки по заданной модели угроз и сохраняет отчёт в файл проекта. CX Codex ★ 3 951звёзд репо oracle Субагент oracle для Claude Code, который ищет информацию в вебе, документации и API. Собирает данные из внешних источников и синтезирует их через LLM. CX Codex ★ 3 951звёзд репо onboard Субагент onboard для Claude Code, который анализирует существующий код и создаёт continuity-леджер. Запускается при входе в незнакомый brownfield-проект. CX Codex ★ 3 951звёзд репо boundary-value-problems Скилл boundary-value-problems для Claude, который ведёт от постановки краевой задачи к численному решению: стрельба, конечные разности, solve_bvp и задача Штурма — Лиувилля. CX Codex +1 ★ 3 951звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой