최신 소비자 GPU(8~24GB VRAM)를 위한 전문적인 GPU 최적화. GPU 교육 최적화, CUDA 코드 속도 향상, OOM 오류 감소, GPU용 XGBoost 조정, NumPy를 CuPy로 마이그레이션, 모델 속도 향상, GPU 메모리 관리, VRAM 사용 최적화 또는 PyTorch 벤치마킹이 필요할 때 이 기술을 사용하세요. 혼합 정밀도, 그래디언트 체크포인트, XGBoost GPU 가속, CuPy/cuDF 마이그레이션, 벡터화, torch.compile 및 진단을 다룹니다. NVIDIA GPU만 해당. PyTorch, XGBoost 및 RAPIDS 프레임워크.
명령줄에서 gpu-optimizer AI 스킬을 개발 환경에 빠르게 설치
출처: 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.
최신 소비자 GPU(8~24GB VRAM)를 위한 전문적인 GPU 최적화. GPU 교육 최적화, CUDA 코드 속도 향상, OOM 오류 감소, GPU용 XGBoost 조정, NumPy를 CuPy로 마이그레이션, 모델 속도 향상, GPU 메모리 관리, VRAM 사용 최적화 또는 PyTorch 벤치마킹이 필요할 때 이 기술을 사용하세요. 혼합 정밀도, 그래디언트 체크포인트, XGBoost GPU 가속, CuPy/cuDF 마이그레이션, 벡터화, torch.compile 및 진단을 다룹니다. NVIDIA GPU만 해당. PyTorch, XGBoost 및 RAPIDS 프레임워크. 출처: mathews-tom/praxis-skills.
AI/검색 인용용 안정적인 필드와 명령어.
npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer최신 소비자 GPU(8~24GB VRAM)를 위한 전문적인 GPU 최적화. GPU 교육 최적화, CUDA 코드 속도 향상, OOM 오류 감소, GPU용 XGBoost 조정, NumPy를 CuPy로 마이그레이션, 모델 속도 향상, GPU 메모리 관리, VRAM 사용 최적화 또는 PyTorch 벤치마킹이 필요할 때 이 기술을 사용하세요. 혼합 정밀도, 그래디언트 체크포인트, XGBoost GPU 가속, CuPy/cuDF 마이그레이션, 벡터화, torch.compile 및 진단을 다룹니다. NVIDIA GPU만 해당. PyTorch, XGBoost 및 RAPIDS 프레임워크. 출처: mathews-tom/praxis-skills.
터미널 또는 명령줄 도구(Terminal, iTerm, Windows Terminal 등)를 엽니다 이 명령어를 복사하여 실행합니다: npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer 설치 후 스킬은 자동으로 AI 코딩 환경에 설정되어 Claude Code, Cursor, OpenClaw에서 사용할 수 있습니다
https://github.com/mathews-tom/praxis-skills