NVIDIA cuML Machine Learning Skilldeepagents 中 GPU 加速机器学习实战指南【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents在 LangChain deepagents 的 NVIDIA 示例工程中cuml-machine-learning技能Skill为 Agent 提供了基于 NVIDIA RAPIDS cuML 的 GPU 加速机器学习能力。它面向表格数据的分类、回归、聚类、降维与预处理任务通过一份 SKILL.md 文档将何时用、如何初始化、怎么写代码、有哪些坑完整固化让 Agent 在 GPU 沙箱中直接写出可运行的 cuML 脚本。读完本文你将掌握该技能的完整用法理解其在 deepagents 多智能体 GPU 沙箱架构中的运行机制并学会用同一套代码在 CPU 环境无缝回退。技能定位什么时候该用 cuML技能文件头部的 YAML frontmatter 定义了 Agent 的触发条件--- name: cuml-machine-learning description: Use for GPU-accelerated machine learning on tabular data using NVIDIA cuML. Triggers when tasks involve classification, regression, clustering, dimensionality reduction, or model training on datasets. ---按技能文档的约定以下任务都应优先启用该技能训练分类模型预测类别、欺诈检测、文本分类训练回归模型数值预测、价格预估、数量估算数据聚类客户分群、文档分组、模式发现降维高维数据可视化、特征压缩大规模数据集的预处理与特征工程任何行数达到 1 万行以上、需要 GPU 加速的机器学习任务这套触发逻辑对应 deepagents 的 **Skills 渐进式披露progressive disclosure**机制。核心实现位于 libs/deepagents/deepagents/middleware/skills.py 的SKILLS_SYSTEM_PROMPTAgent 的系统提示中只会列出每个技能的name与description当任务命中某个描述时才通过read_file读取完整 SKILL.md。因此 frontmatter 中的description必须包含足够的触发关键词——这正是本技能classification / regression / clustering / dimensionality reduction等词被精心写入的原因。初始化样板必须先做 GPU 冒烟测试技能文档强调每个脚本都必须以固定的初始化样板开头它的作用不只是 import而是真实执行一次 GPU ML 运算来验证环境可用性import pandas as pd import numpy as np try: import cudf import cuml # Smoke-test: verify GPU ML works end-to-end _test_data cudf.DataFrame({a: [1.0, 2.0, 3.0, 4.0], b: [5.0, 6.0, 7.0, 8.0]}) _km cuml.cluster.KMeans(n_clusters2, n_init1, random_state42) _km.fit(_test_data) assert len(_km.labels_) 4 GPU True except Exception as e: print(f[GPU] cuml unavailable, falling back to scikit-learn: {e}) GPU False def read_csv(path): return cudf.read_csv(path) if GPU else pd.read_csv(path) def to_pd(df): Convert cuML/cuDF output to pandas. Use this instead of .to_pandas() directly. if not GPU: return df try: return df.to_pandas() except Exception as e: print(f[GPU] .to_pandas() failed, using Arrow fallback: {e}) return df.to_arrow().to_pandas()这段代码包含三个关键设计真实运算冒烟测试KMeans.fit()会在 GPU 上完成一轮真实的聚类assert len(_km.labels_) 4验证输出形状正确。仅 import 成功并不能证明 cuML 可用——这正是它与普通try-import写法的本质区别。双层数据读取抽象read_csv()在 GPU 模式下走cudf.read_csv否则回退pandas.read_csv后续代码无需感知数据框架差异。带 Arrow 兜底的转换函数to_pd()优先用.to_pandas()失败时回退到.to_arrow().to_pandas()。文档明确要求用它替代直接调用.to_pandas()。这一细节与仓库的踩坑记录高度吻合——examples/nvidia_deep_agent/src/backend.py 中注明 RAPIDS 25.02 自带的 numba-cuda 0.2.0 存在设备枚举缺陷会导致.to_pandas()与.describe()崩溃因此镜像构建时强制pip_install(numba-cuda0.28, ...)。需要特别说明GPU/CPU 回退不是摆设。虽然示例工程默认使用带 A10G GPU 的 RAPIDS 镜像但通过运行时上下文可以把沙箱切换为纯 CPU 镜像仅安装 pandas、numpy、scipy、scikit-learn此时GPU False分支会保证脚本仍能正确执行。详细机制见下文运行机制一节。双模式导入模式GPU 与 CPU 的 API 镜像cuML 的卖点是与 scikit-learn 兼容的 API因此技能文档提供了一一对应的导入映射。GPU 模式下# GPU mode if GPU: from cuml.cluster import KMeans, DBSCAN, HDBSCAN from cuml.ensemble import RandomForestClassifier, RandomForestRegressor from cuml.linear_model import LinearRegression, Ridge, Lasso, LogisticRegression from cuml.neighbors import KNeighborsClassifier, KNeighborsRegressor from cuml.svm import SVC, SVR from cuml.decomposition import PCA, TruncatedSVD from cuml.manifold import UMAP, TSNE from cuml.preprocessing import StandardScaler, MinMaxScaler, LabelEncoder from cuml.model_selection import train_test_split from cuml.metrics import accuracy_score, r2_score, mean_squared_error # CPU fallback else: from sklearn.cluster import KMeans, DBSCAN, HDBSCAN from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor from sklearn.linear_model import LinearRegression, Ridge, Lasso, LogisticRegression from sklearn.neighbors import KNeighborsClassifier, KNeighborsRegressor from sklearn.svm import SVC, SVR from sklearn.decomposition import PCA, TruncatedSVD from sklearn.manifold import TSNE from sklearn.preprocessing import StandardScaler, MinMaxScaler, LabelEncoder from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, r2_score, mean_squared_error # UMAP not in sklearn — skip or pip install umap-learn两处需要注意的差异UMAP 是 cuML 独有能力scikit-learn 中没有对应实现CPU 分支需跳过或额外pip install umap-learn。模块归属刻意对齐cuml.cluster对应sklearn.cluster、cuml.ensemble对应sklearn.ensemble其余一一对应。因此只要保持这套导入模式训练代码几乎可以零修改地在 GPU/CPU 之间切换。快速参考六类核心操作1. 训练/测试划分起点X df[[feature1, feature2, feature3]].astype(float32) y df[target] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)注意特征矩阵在切分前就完成.astype(float32)转换——这是 cuML 对数据类型的要求详见下文。2. 分类model RandomForestClassifier(n_estimators100, max_depth10, random_state42) model.fit(X_train, y_train) predictions model.predict(X_test) accuracy float(accuracy_score(to_pd(y_test), to_pd(predictions))) print(fAccuracy: {accuracy:.4f}) # Feature importances (tree models only) importances to_pd(model.feature_importances_) for name, imp in zip(feature_names, importances): print(f {name}: {imp:.4f})三个要点评估指标计算前y_test与predictions都经过to_pd()转回 pandas 再比较避免 GPU 端数据框架在指标函数中的兼容性问题。特征重要性只对树模型随机森林有效。feature_names需在脚本中显式定义例如从df.columns中筛选。3. 回归model Ridge(alpha1.0) model.fit(X_train, y_train) predictions model.predict(X_test) r2 float(r2_score(to_pd(y_test), to_pd(predictions))) mse float(mean_squared_error(to_pd(y_test), to_pd(predictions))) print(fR² Score: {r2:.4f}) print(fMSE: {mse:.4f}) # Coefficients coeffs to_pd(model.coef_) print(fIntercept: {float(model.intercept_):.4f})回归任务同时报告 R² 与 MSE 两个指标并输出线性模型的系数与截距方便向用户解释模型逻辑。4. 聚类KMeansX df[[feature1, feature2]].astype(float32) model KMeans(n_clusters4, n_init10, random_state42) model.fit(X) labels to_pd(model.labels_) centroids to_pd(model.cluster_centers_) inertia float(model.inertia_) print(fInertia: {inertia:.2f}) print(fCluster sizes: {labels.value_counts().sort_index().to_dict()}) print(fCentroids:\n{centroids})聚类结果需要同时报告簇内平方和inertia用于评估簇数是否合适、每个簇的样本数分布、以及质心坐标。5. 降维PCAscaler StandardScaler() X_scaled scaler.fit_transform(X.astype(float32)) pca PCA(n_components3) X_reduced pca.fit_transform(X_scaled) variance_ratio to_pd(pca.explained_variance_ratio_) print(fExplained variance: {[f{v:.4f} for v in variance_ratio]}) print(fTotal explained: {float(sum(variance_ratio)):.4f})降维前必须先标准化StandardScaler否则量纲差异会主导主成分方向输出时报告每个主成分的解释方差比及累计值。6. 降维UMAP — 仅 GPUif GPU: reducer UMAP(n_components2, n_neighbors15, min_dist0.1, random_state42) embedding to_pd(reducer.fit_transform(X_scaled)) print(fUMAP embedding shape: {embedding.shape})UMAP 是可视化高维结构的常用手段技能文档明确将其限定在 GPU 分支内CPU 下 scikit-learn 无此实现。7. 预处理# Scale numeric features scaler StandardScaler() X_scaled scaler.fit_transform(X.astype(float32)) # Encode categorical columns le LabelEncoder() df[category_encoded] le.fit_transform(df[category])分类特征必须先用LabelEncoder或 OneHotEncoder编码为数值cuML 不支持直接吃类别文本。数据类型要求技能文档对 cuML 的输入数据提出四条硬性约束写脚本时务必逐条核对特征必须是 float32 或 float64代码中统一用X.astype(float32)强转整数目标值分类标签可直接使用类别列必须先编码LabelEncoder或OneHotEncodercuML 不支持稀疏矩阵必须使用稠密数据。其中稠密数据这条与下面的 Gotchas 表格首行直接呼应是 Agent 在沙箱中运行 cuML 脚本时最常见的报错来源之一。常见坑与解决方案技能文档用一个速查表固化了五个高频问题Agent 遇到对应报错时可直接对号入座IssueFixTypeError: sparse inputConvert to dense:X.toarray()or dont use sparsePCAsolverrandomizedfailsUsesolverfullor omit (cuML auto-selects)UMAP not available on CPUSkip UMAP in CPU mode orpip install umap-learnFloat64 slower than float32Cast to float32:X.astype(float32)Large dataset OOMReduce features or sample data before fitting这五条并非空泛建议而是 Agent 在真实运行中反复踩坑后的经验沉淀。其中Float64 slower than float32与Large dataset OOM共同指向同一个最佳实践训练前把特征矩阵统一转为 float32必要时先降维或抽样再拟合。这些坑位被写进 SKILL.md 后Agent 下次执行同类任务时会主动规避——这正是 deepagents 自改进记忆机制的体现见下文运行机制。结果输出规范技能文档对 Agent 的汇报格式也有明确约定要求报告机器学习结果时包含数据集形状行数 × 特征数与目标分布训练/测试划分的大小以格式化表格呈现关键指标accuracy、R²、MSE 等多分类任务需给出每个类别的指标聚类任务需给出簇大小与质心摘要降维任务需给出解释方差比按幅度排序的特征重要性列表数据质量问题说明类别不平衡、缺失值、异常值这些规范与 examples/nvidia_deep_agent/src/prompts.py 中DATA_PROCESSOR_INSTRUCTIONS的输出格式要求Task Topic / Summary / Results / Insights配合使用Agent 先将完整结果写入/shared/[task_topic].txt再向用户呈现结构化摘要。在 deepagents 中的运行机制技能如何被加载与执行理解了技能内容本身再来看它在整个示例工程中的运转闭环。第一步技能注册进子 Agent。在 examples/nvidia_deep_agent/src/agent.py 中data-processor-agent通过skills: [/skills/]挂载了整个技能目录并由create_deep_agent指定backendcreate_backend与context_schemaContext可传sandbox_type: gpu | cpu。第二步技能文件注入沙箱。examples/nvidia_deep_agent/src/backend.py 的_seed_sandbox()会在沙箱创建时遍历本地skills/目录把每个子目录下的SKILL.md上传到沙箱内的/skills/skill-name/SKILL.md。GPU 沙箱使用nvcr.io/nvidia/rapidsai/base:25.02-cuda12.8-py3.12基础镜像cuDF、cuML 预装并挂载 A10G GPUCPU 沙箱则是一个仅含 pandas、numpy、scipy、scikit-learn 的轻量镜像。第三步Agent 按流程执行。DATA_PROCESSOR_INSTRUCTIONS规定的工作流是理解任务 →read_file读取相关 SKILL.md → 基于技能中的样板代码写脚本到/workspace/→ 用execute工具运行 → 检查输出、最多重试两次 → 汇总结果。也就是说本文前面展示的初始化样板、导入模式与各类操作代码正是 Agent 每次写脚本时直接复制的模板。第四步技能元数据由中间件解析。libs/deepagents/deepagents/middleware/skills.py 中的_parse_skill_metadata()负责解析 SKILL.md 的 YAML frontmatter并校验name与descriptionname 限制 64 字符、仅允许小写字母数字与单连字符且必须与所在目录名一致cuml-machine-learning目录名即为此格式description 限制 1024 字符。解析失败或格式违规的技能会被跳过并记录警告但不会中断 Agent 运行。第五步自改进记忆。技能文档不仅是单向使用说明。按DATA_PROCESSOR_INSTRUCTIONS的约定当 Agent 在沙箱中解决了一个技能未覆盖的报错、或发现了库的新行为时会立即用edit_file更新对应的 SKILL.md以 13 行的简洁注释追加到相关章节或 Known Limitations 小节。这也解释了为什么 Gotchas 表格中会出现PCAsolverrandomizedfails这类极具现场感的条目——它们是 Agent 自学习循环的产物。仓库 README 中的示例是若发现cudf.DataFrame.interpolate()未实现就把这条限制写回 cuDF 技能文件避免未来重复踩坑。与配套技能协同从模型到图表的完整链路cuML 技能在示例工程中并非孤立存在它与另外三个 GPU 技能形成完整的数据分析链路技能职责与 cuML 的协作点cudf-analyticsGPU 数据读取、统计、groupby、异常检测提供read_csv()/to_pd()的同款样板与 IQR/Z-score 异常检测是 ML 前的数据准备阶段cuml-machine-learningGPU 机器学习分类/回归/聚类/降维本文主题data-visualizationmatplotlib/seaborn 出版级图表用 cuML 输出的feature_importances_画特征重要性条形图、用聚类标签画散点图、用预测结果画混淆矩阵热力图gpu-document-processingGPU 大批量文档处理处理后的结构化文本可作为 cuML 文本分类的输入一个典型的多步骤任务会串起全部技能用 cuDF 读取并清洗 CSV → 用 cuML 训练分类器并输出特征重要性 → 用 matplotlib/seaborn 把重要性排序和混淆矩阵渲染成 PNG → 通过read_file在对话中内联展示图表。README 中的示例查询Upload this CSV and train a classifier to predict customer churn. Show feature importances.正是这条链路的直接体现。总结cuml-machine-learning技能是一份高度工程化的 Agent 提示工程产物用固定样板解决环境探测与数据转换、用双模式导入解决 GPU/CPU 兼容、用 Quick Reference 固化六类核心操作、用 Gotchas 表格兜底高频报错、用 Output Guidelines 规范汇报质量。配合 deepagents 的 SkillsMiddleware 渐进式披露、Modal GPU 沙箱的自动种子化以及出错即回写技能文件的自改进循环它把在 GPU 上跑机器学习这件事从一次性脚本升级为可复用、可积累、可自我进化的 Agent 能力。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考