最新のコンシューマー向け GPU (8 ～ 24GB VRAM) 向けのエキスパートによる GPU 最適化。このスキルは、GPU トレーニングの最適化、CUDA コードの高速化、OOM エラーの削減、GPU 用の XGBoost の調整、NumPy から CuPy への移行、モデルの高速化、GPU メモリの管理、VRAM 使用量の最適化、または PyTorch のベンチマークを行う必要がある場合に使用します。混合精度、勾配チェックポイント、XGBoost GPU アクセラレーション、CuPy/cuDF 移行、ベクトル化、torch.compile、および診断をカバーします。 NVIDIA GPU のみ。 PyTorch、XGBoost、および RAPIDS フレームワーク。
コマンドラインで gpu-optimizer AI スキルを開発環境にすばやくインストール
ソース: mathews-tom/praxis-skills。
Expert GPU optimization for consumer GPUs with 8–24GB VRAM. Evidence-based patterns only.
| GPU model | (e.g., RTX 4080 Mobile, RTX 3090, RTX 4090) | | VRAM | (e.g., 12GB, 16GB, 24GB) | | CUDA version | (nvidia-smi → top-right) | | TDP / power limit | (laptop vs desktop affects sustained throughput) | | Driver version | (nvidia-smi → top-left) |
Key constraint: VRAM capacity determines which strategies apply. Patterns below are annotated with minimum VRAM requirements where relevant.
最新のコンシューマー向け GPU (8 ～ 24GB VRAM) 向けのエキスパートによる GPU 最適化。このスキルは、GPU トレーニングの最適化、CUDA コードの高速化、OOM エラーの削減、GPU 用の XGBoost の調整、NumPy から CuPy への移行、モデルの高速化、GPU メモリの管理、VRAM 使用量の最適化、または PyTorch のベンチマークを行う必要がある場合に使用します。混合精度、勾配チェックポイント、XGBoost GPU アクセラレーション、CuPy/cuDF 移行、ベクトル化、torch.compile、および診断をカバーします。 NVIDIA GPU のみ。 PyTorch、XGBoost、および RAPIDS フレームワーク。 ソース: mathews-tom/praxis-skills。
AI/検索での引用用の安定したフィールドとコマンド。
npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer最新のコンシューマー向け GPU (8 ～ 24GB VRAM) 向けのエキスパートによる GPU 最適化。このスキルは、GPU トレーニングの最適化、CUDA コードの高速化、OOM エラーの削減、GPU 用の XGBoost の調整、NumPy から CuPy への移行、モデルの高速化、GPU メモリの管理、VRAM 使用量の最適化、または PyTorch のベンチマークを行う必要がある場合に使用します。混合精度、勾配チェックポイント、XGBoost GPU アクセラレーション、CuPy/cuDF 移行、ベクトル化、torch.compile、および診断をカバーします。 NVIDIA GPU のみ。 PyTorch、XGBoost、および RAPIDS フレームワーク。 ソース: mathews-tom/praxis-skills。
ターミナルまたはコマンドラインツール（Terminal、iTerm、Windows Terminal など）を開きます このコマンドをコピーして実行します: npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer インストール後、スキルは自動的に AI コーディング環境に設定され、Claude Code、Cursor、OpenClaw で使用できるようになります
https://github.com/mathews-tom/praxis-skills