用途：该技能自动化迁移学习流程，将预训练模型（ResNet、BERT、GPT 等）适配到新任务与数据集，通过微调、层冻结和领域特定优化，减少从零训练的时间与资源消耗。
主要能力：分析用户需求，理解目标任务、数据集特征与期望指标；生成使用 TensorFlow、PyTorch 等框架的 Python 适配代码，包含数据预处理与必要的模型结构修改；加入数据验证、训练监控与错误处理；计算并报告准确率、精确率、召回率、F1 等指标；保存适配后的模型、训练日志、性能指标，并自动生成适配过程与结果文档。
使用方式：在满足触发条件时调用该技能，提供必要上下文与参数，审阅生成输出并按需修改。示例包括：微调 ResNet50 对花卉图像分类；适配 BERT 对客户评论做情感分析。技能会下载对应模型与数据集，生成含数据增强、优化、分词、填充、注意力机制等步骤的代码。
适用场景：为特定任务微调预训练模型、将模型适配到新数据集、通过迁移学习提升性能、为特定应用优化现有模型。可与数据加载、模型评估、部署等插件集成。
限制与前提：需要适当的文件访问权限与已安装的依赖；资料未提供具体依赖清单、支持框架版本、收费方式或性能保证。建议遵循数据预处理、超参数调优与正则化等最佳实践。错误处理方面，无效输入会提示更正，缺少依赖会列出所需组件，权限错误会给出修复建议。