cs-ml

cs-ml

用途

此技能用于处理机器学习任务，包括监督式／无监督式学习、强化学习、CNN／RNN／Transformer 模型、训练流水线、评估指标、MLOps 工作流和大模型微调。它与 OpenClaw 集成，可自动为机器学习项目生成并执行代码。

适用场景

当你要从头构建机器学习模型、微调 BERT 等预训练模型、通过 MLOps 部署模型或评估模型性能时，请使用此技能。对于涉及大型数据集、神经网络或生产流水线的任务，例如使用 CNN 进行图像识别或使用 Transformers 生成文本，也可使用此技能。

主要功能

• 通过 scikit-learn 集成，使用线性回归或决策树等算法训练监督式模型。
• 使用 K-means 聚类或 PCA 进行降维，实现无监督式学习。
• 构建并训练深度学习模型：用于图像的 CNN（例如使用 Keras）、用于序列的 RNN，或用于 NLP 任务的 Transformers。
• 使用 Stable Baselines 等库处理 RL 环境，包括 Q-learning 循环。
• 使用准确率、F1 分数或 ROC 曲线等指标评估模型，并生成混淆矩阵。
• 管理 MLOps：将模型部署到容器、使用 MLflow 进行监控，并集成 CI/CD。
• 使用 Hugging Face Transformers 微调 GPT 等变体的大模型，并采用 LoRA 等技术提升效率。

使用模式

通过 OpenClaw 的 CLI 或 API 调用此技能以生成代码片段。训练时指定模型类型和数据源；评估时提供已训练模型的路径。务必设置用于身份验证的环境变量，例如 export $OPENCLAW_API_KEY=your_key。使用模式包括：

• 流水线模式：通过单条命令串联训练和评估。
• 交互模式：用于迭代微调，可向此技能请求调整代码。
• 示例 1：训练用于图像分类的 CNN——使用数据路径调用此技能，然后运行生成的脚本。
• 示例 2：微调大模型——提供基础模型和数据集，获取微调脚本，并使用指定的超参数执行脚本。

常用命令/API

使用 OpenClaw 的 CLI 直接执行，或使用 API 以编程方式访问。身份验证需要在环境中设置 $OPENCLAW_API_KEY。

• 训练 CNN 的 CLI 命令：
  openclaw cs-ml train --model cnn --data /path/to/images --epochs 10 --batch-size 32
  此命令会生成使用 TensorFlow 的 Python 脚本：

  from tensorflow import keras
  model = keras.Sequential([keras.layers.Conv2D(32, 3, activation='relu')])
  model.fit(train_data, epochs=10)
  

• 微调大模型的 CLI 命令：
  openclaw cs-ml fine-tune --model bert --dataset /path/to/text.json --learning-rate 5e-5
  输出脚本示例：

  from transformers import BertForSequenceClassification
  model = BertForSequenceClassification.from_pretrained('bert-base')
  trainer = Trainer(model=model, train_dataset=dataset)
  trainer.train()
  

• 用于评估的 API 端点：
  向 https://api.openclaw.com/cs-ml/evaluate 发送 POST 请求，并附上 JSON 请求体：
  { "model_path": "/path/to/model.h5", "data_path": "/path/to/test.csv", "metrics": ["accuracy", "f1"] }
  响应中包含指标输出。

• 配置格式：使用 YAML 设置超参数，例如：

  model: transformer
  params:
    layers: 12
    hidden_size: 768
  

集成说明

通过串联命令将此技能与其他 OpenClaw 技能集成，例如，先使用 "data-processing" 技能清理数据，再将输出传递给 cs-ml 进行训练。对于外部工具，可在生成的脚本中安装 TensorFlow，例如使用 pip install tensorflow 安装依赖项。在自定义代码中调用 API 时使用 $OPENCLAW_API_KEY。对于 MLOps，可连接云服务：使用 AWS CLI 将模型导出到 S3，然后通过 cs-ml 命令部署。请指定库版本以确保兼容性，例如 Transformers 4.20+。

错误处理

常见错误包括数据不匹配、身份验证失败或库版本冲突。请按以下方式处理：

• 数据错误：检查训练命令中的形状问题，例如，如果 openclaw cs-ml train 因“Input shape mismatch”而失败，请使用 --validate-data 标志验证数据。
• 身份验证：如果 API 调用失败并返回 401，请确保已设置 $OPENCLAW_API_KEY 且尚未过期；使用 openclaw cs-ml --retry-auth 重试。
• 运行时错误：如果深度学习中出现 GPU 问题，请添加 --device cuda，并在生成的代码中使用 try-except 处理：

  try:
      model.fit(data)
  except RuntimeError as e:
      print(f"Error: {e}, falling back to CPU")
  

• 通用：使用 --verbose 标志记录输出，并逐行调试生成的脚本。

图关系

• 相关集群：computer-science
• 关联标签：ml、deep-learning、neural-networks、transformers、cs
• 关联的其他技能：依赖 "data-processing" 进行预处理；增强 "deployment" 的 MLOps 流水线；与 "nlp" 集成以处理基于 Transformer 的任务