Przejdź do treści
Biblioteka skilli
AI i agenci · Budowanie i kod

modal-gpu

/modal-gpu

Uruchamia kod Pythona na chmurowych GPU w Modal (A100, T4, A10G) do trenowania modeli ML: konfiguracja aplikacji, wybór GPU, pobieranie danych w funkcjach i obsługa wyników.

Repozytorium
skillsbench ↗
Licencja
Apache-2.0
Ostatnia zmiana repozytorium
12.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
6
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
2
Przestarzałość

Brak sygnałów. Repozytorium zmienione 12.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

Apache-2.0, otwarta: można używać i zmieniać, z zachowaniem licencji i informacji o zmianach.

Co robi i kiedy

Uruchamia kod Pythona na chmurowych GPU w Modal (A100, T4, A10G) do trenowania modeli ML: konfiguracja aplikacji, wybór GPU, pobieranie danych w funkcjach i obsługa wyników.

Oryginalny opis (EN)

Run Python code on cloud GPUs using Modal serverless platform. Use when you need A100/T4/A10G GPU access for training ML models. Covers Modal app setup, GPU selection, data downloading inside functions, and result handling.

Jak działa

  1. Overview
  2. Quick Reference
  3. Installation
  4. Minimal Example
  5. Common Imports
  6. When to Use What
  7. Running
  8. External Resources
Sekcje z nagłówków SKILL.md, w oryginale · 99 linii, 294 słów
Podgląd SKILL.md
---
name: modal-gpu
description: Run Python code on cloud GPUs using Modal serverless platform. Use when you need A100/T4/A10G GPU access for training ML models. Covers Modal app setup, GPU selection, data downloading inside functions, and result handling.
---

# Modal GPU Training

## Overview

Modal is a serverless platform for running Python code on cloud GPUs. It provides:

- **Serverless GPUs**: On-demand access to T4, A10G, A100 GPUs
- **Container Images**: Define dependencies declaratively with pip
- **Remote Execution**: Run functions on cloud infrastructure
- **Result Handling**: Return Python objects from remote functions

Two patterns:
- **Single Function**: Simple script with `@app.function` decorator
- **Multi-Function**: Complex workflows with multiple remote calls

## Quick Reference

| Topic | Reference |
|-------|-----------|
| Basic Structure | [Getting Started](references/getting-started.md) |
| GPU Options | [GPU Selection](references/gpu-selection.md) |
| Data Handling | [Data Download](references/data-download.md) |
| Results & Outputs | [Results](references/results.md) |
| Troubleshooting | [Common Issues](references/common-issues.md) |

## Installation

```bash
pip install modal
modal token set --token-id <id> --token-secret <secret>
```

## Minimal Example

```python
import modal

app = modal.App("my-training-app")

image = modal.Image.debian_slim(python_version="3.11").pip_install(
    "torch",
    "einops",
    "numpy",
)

@app.function(gpu="A100", image=image, timeout=3600)
def train():
    import torch
    device = torch.device("cuda")
    print(f"Using GPU: {torch.cuda.get_device_name(0)}")

    # Training code here
    return {"loss": 0.5}

@app.local_entrypoint()
def main():
    results = train.remote()
    print(results)
```

## Common Imports

```python
import modal
from modal import Image, App

# Inside remote function
import torch
import torch.nn as nn
from huggingface_hub import hf_hub_download
```

## When to Use What

| Scenario | Approach |
|----------|----------|
| Quick GPU experiments | `gpu="T4"` (16GB, cheapest) |
| Medium training jobs | `gpu="A10G"` (24GB) |
| Large-scale training | `gpu="A100"` (40/80GB, fastest) |
| Long-running jobs | Set `timeout=3600` or higher |
| Data from HuggingFace | Download inside function with `hf_hub_download` |
| Return metrics | Return dict from function |

## Running

```bash
# Run script
modal run train_modal.py

# Run in background
modal run --detach train_modal.py
```

## External Resources

- Modal Documentation: https://modal.com/docs
- Modal Examples: https://github.com/modal-labs/modal-examples
Pliki w paczce (6)
  • SKILL.md 3 KB
  • references/common-issues.md 3 KB
  • references/data-download.md 2 KB
  • references/getting-started.md 2 KB
  • references/gpu-selection.md 2 KB
  • references/results.md 3 KB

Wersje

W bazie nie ma innych skilli o nazwie modal-gpu.

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki 90972ccbf655 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100serverless-modal
    Uruchamia obliczenia GPU na Modal: trening, dostrajanie, inferencję i przetwarzanie wsadowe bez konfiguracji serwera.
  • 95modal-serverless-gpu
    Uruchamia obciążenia ML na serwerach GPU na żądanie i wdraża modele jako API bez zarządzania infrastrukturą.
  • 100modal
    Uruchamia kod Pythona na GPU i w infrastrukturze serwerlesowej Modal: wdrażanie modeli AI i ML, endpointy webowe, zadania wsadowe i skalowanie obciążeń w chmurze.
  • 84modal
    Uruchamia zadania ML na serwerowych GPU w chmurze Modal, wdraża modele jako API i przetwarza zadania wsadowe.
  • 100modal
    Uruchamia Pythona na żądanie w chmurze Modal, także na GPU: wdrażanie i serwowanie modeli AI i ML, trening, fine-tuning, inferencja, endpointy webowe i zadania wsadowe z SDK Modal.
  • 100modal
    Uruchamia kod Pythona w chmurze w serwerlesowych kontenerach z GPU i autoskalowaniem: wdrażanie modeli ML, zadania wsadowe, zaplanowane obliczenia i API wymagające GPU.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.