用途：在用户要求训练、调试、扩展或改进 ML 模型时使用，覆盖 PyTorch、TensorFlow/Keras、JAX/Flax、Hugging Face Transformers/Diffusers/Accelerate/PEFT、scikit-learn、XGBoost、LightGBM、CatBoost、Spark MLlib 与 Ray。核心原则是正确性优先：先验证数据、做无泄漏切分、固定可复现配置、选择有意义的指标，并在复杂分布式或加速器训练前建立简单基线。
主要能力：提供训练就绪检查清单（任务、目标、指标、基线、验收阈值；数据模式、标签质量、缺失、重复、类别平衡、训练/服务特征一致性；随机分层、分组、时间切分与嵌套交叉验证；固定框架版本、CUDA/cuDNN、驱动、数据快照、预处理代码、模型配置与硬件；设置随机种子并记录非确定性操作）。给出深度学习训练循环要点：前向、损失、反向、优化器步、调度器步、梯度清零、指标记录、验证、检查点与早停。
使用方式：深度学习可用 AMP、梯度累积与梯度裁剪的 PyTorch 训练循环模板；TensorFlow/Keras 在回调与分布式策略足够时优先用 fit，需要自定义控制时用 tf.GradientTape；JAX/Flax 保持状态显式、使用纯更新函数并分离 PRNG 键。经典 ML 用 Pipeline 与 ColumnTransformer 把预处理放入管道，使交叉验证只在训练折上拟合变换。分布式可选 DDP、FSDP/ZeRO、张量并行、流水线并行与专家并行，并给出 DDP/FSDP 初始化与 DeepSpeed JSON 配置模板。检查点应包含模型权重、优化器、调度器、scaler、epoch/step、RNG、分词器/预处理器、标签映射、配置、指标历史与代码标识，并分别保存最优与最新检查点，长训练前测试恢复。
适用场景与限制：适用于模型训练、调参、扩展、故障诊断与可复现性管理。资料未提供该技能的安装命令、收费方式、平台支持范围或具体效果数据，这些事实暂未提供。