Run Train · 执行选定训练命令并规范记录实际证据
@public/run-train
在训练目标、命令和环境已明确时,区分启动检查、短运行、完整启动和恢复训练,保存命令、配置、种子、日志、检查点与可取得指标。规范报告部分、受阻、恢复或已验证状态,并说明科学变化与可比性。采用 MIT 许可证。
- 验证已经选定的训练命令能否启动
- 执行有明确范围的短训练或恢复流程
- 为训练过程保留状态、指标和检查点依据
从用途出发,找到可以复用的能力。
@public/run-train
在训练目标、命令和环境已明确时,区分启动检查、短运行、完整启动和恢复训练,保存命令、配置、种子、日志、检查点与可取得指标。规范报告部分、受阻、恢复或已验证状态,并说明科学变化与可比性。采用 MIT 许可证。
@public/env-and-assets-bootstrap
在仓库接入已选定复现目标后,优先依据 README 和已有环境文件整理保守的 conda 环境方案、检查点与数据集来源、缓存位置和路径假设。记录依赖与素材状态的不确定性,避免把环境准备当成已完成复现。采用 MIT 许可证。
@public/minimal-run-and-audit
对已选定的冒烟、推理或评估等短非训练命令收集或接收执行证据,生成规范的 repro_outputs 文件。区分已验证、部分和受阻状态,并记录补丁、科学含义变化及 README、论文或基线的可比性。采用 MIT 许可证。
@public/repo-intake-and-plan
读取深度学习仓库的 README、依赖与常见项目文件,提取有文档依据的命令,将推理、评估、训练等候选保守分类,返回最小可信复现建议与歧义清单。定位为接入与规划辅助流程,不启动实际复现。采用 MIT 许可证。
@public/paper-context-resolver
面向 README 优先的深度学习仓库复现,在仓库说明留下关键缺口时,用原论文等一手来源核对数据划分、预处理、评估协议或检查点映射。只回答具体复现问题,区分直接证据和推断,并记录论文与仓库之间的冲突。采用 MIT 许可证。