あなたの生産性を飛躍的に高めるために設計された Cursor は、AI と共にコーディングする最良の方法です。

Cursor

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets
 
def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)
 
 
class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )
 
  def forward(self, x):
    return self.net(x)
 
def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

PyTorch MNIST 実験

混合精度トレーニング、学習率スケジューリング、適切な検証を追加してください。また、異なるハイパーパラメータ設定を簡単に実行できるよう、実験用の設定システムも作成してください。

cursor-agent

Cursor エージェント

~/Repos/ml-research-notebook

PyTorch MNIST 実験

→

GPT-5
/ はコマンド用 · @ はファイル用

世界中の数百万人のプロ開発者に、日々信頼されています。

Agent がアイデアをコードに変える

人間とAIのペアプログラマー。単独の開発者より桁違いに高い生産性を発揮します。

Agent について詳しく見る →

Cursor

Tab と Agent の使用パターンを分析

タブビューとエージェントパネルの間で、チームが各ワークスペースにおいてどのように注力を分配しているかを把握するのを手伝ってください。

驚くほど正確なオートコンプリート

独自の Tab モデルが、次のアクションを圧倒的な速度と精度で予測します。

Tab について詳しく見る →

Cursor

"use client";
 
import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";
 
export default function Dashboard() {
 
 
  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

ソフトウェアが作られるあらゆる場所で

Cursor は GitHub であなたの PR をレビューし、Slack ではチームメイトとして、そしてあなたの働くあらゆる場所にいます。

Cursor のエコシステムについて詳しく見る →

Slack

dylan9/16/2025

細かいことですが、リリースにアンカーリンクがウェブサイト上にあるととても助かります。

4replies

dylan9/16/2025

cursor.com/changelog#1.0 でバージョン 1.0 の変更履歴を見られるようにしたい

eric9/16/2025

問題なさそう

@cursor 見てもらえる？

CursorAPP9/16/2025

変更ログの各エントリーへの直接リンクを実装し、互換性と保守性を高めるため、プロジェクト全体で Node.js のバージョン制約を更新しました。

PR を表示 Cursor で開く Web で開く

dylan9/16/2025

いいね、@eric。確認してもらえる？

GitHub Pull Request

cursorボットレビュー済み1分前

src/vs/workbench/composer/browser/components/ComposerUnifiedDropdown.tsx

3292

- {selectedMode().keybinding}

3293

+ {composerOpenModeToggleKeybinding}

cursorボット1分前

バグ: 関数が文字列ではなくオブジェクトを返す（ロジック不具合）

composerOpenModeToggleKeybinding は値を取得するために呼び出す必要がある関数です。これをそのまま使用すると、キーバインドの表示条件が常に真になります。

Fix in Cursor

Fix in Web

ソフトウェアを作る新しい方法。

Andrej Karpathy, CEO, Eureka Labs — Andrej Karpathy CEO, Eureka Labs

Patrick Collison, Co‑founder & CEO, Stripe — Patrick Collison 共同創業者&CEO, Stripe

最前線に立ち続ける

最高のモデルにアクセス

OpenAI、Anthropic、Gemini、xAI の最先端モデルをすべてから選べます.

モデルを見る ↗

コードベースを深く理解

Cursor は、規模や複雑さに関係なく、あなたのコードベースの動作を学習します。

コードベースのインデックス化について ↗

長く使えるソフトウェアを開発

Fortune 500 の半数以上に信頼され、セキュアに、かつスケールして開発を加速します。

企業向けを詳しく見る →

変更履歴

1.72025年9月29日

エージェントのオートコンプリート、フック、チームルール

1.62025年9月12日

スラッシュコマンド、要約機能、改良されたAgentターミナル

1.52025年8月21日

Linear 連携、Agent のターミナル改善、OS 通知

1.42025年8月6日

Agentのツール、操縦性、利用状況の可視化を改善

Cursorの新機能を見る →

Cursor は、コーディングの未来を切り拓くことに取り組む実践志向のチームです。

参加する

今すぐ Cursor をお試しください。

macOS 用にダウンロード

あなたの生産性を飛躍的に高めるために設計された Cursor は、AI と共にコーディングする最良の方法です。

macOS 用にダウンロード

Cursor

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets
 
def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)
 
 
class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )
 
  def forward(self, x):
    return self.net(x)
 
def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

PyTorch MNIST 実験

cursor-agent

Cursor エージェント

~/Repos/ml-research-notebook

PyTorch MNIST 実験

→

GPT-5
/ はコマンド用 · @ はファイル用

世界中の数百万人のプロ開発者に、日々信頼されています。

Agent がアイデアをコードに変える

人間とAIのペアプログラマー。単独の開発者より桁違いに高い生産性を発揮します。

Agent について詳しく見る →

Cursor

Tab と Agent の使用パターンを分析

タブビューとエージェントパネルの間で、チームが各ワークスペースにおいてどのように注力を分配しているかを把握するのを手伝ってください。

驚くほど正確なオートコンプリート

独自の Tab モデルが、次のアクションを圧倒的な速度と精度で予測します。

Tab について詳しく見る →

Cursor

"use client";
 
import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";
 
export default function Dashboard() {
 
 
  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

ソフトウェアが作られるあらゆる場所で

Cursor は GitHub であなたの PR をレビューし、Slack ではチームメイトとして、そしてあなたの働くあらゆる場所にいます。

Cursor のエコシステムについて詳しく見る →

Slack

dylan9/16/2025

細かいことですが、リリースにアンカーリンクがウェブサイト上にあるととても助かります。

4replies

dylan9/16/2025

cursor.com/changelog#1.0 でバージョン 1.0 の変更履歴を見られるようにしたい

eric9/16/2025

問題なさそう

@cursor 見てもらえる？

CursorAPP9/16/2025

変更ログの各エントリーへの直接リンクを実装し、互換性と保守性を高めるため、プロジェクト全体で Node.js のバージョン制約を更新しました。

PR を表示 Cursor で開く Web で開く

dylan9/16/2025

いいね、@eric。確認してもらえる？

GitHub Pull Request

cursorボットレビュー済み1分前

src/vs/workbench/composer/browser/components/ComposerUnifiedDropdown.tsx

3292

- {selectedMode().keybinding}

3293

+ {composerOpenModeToggleKeybinding}

cursorボット1分前

バグ: 関数が文字列ではなくオブジェクトを返す（ロジック不具合）

Fix in Cursor

Fix in Web

ソフトウェアを作る新しい方法。

最前線に立ち続ける

最高のモデルにアクセス

OpenAI、Anthropic、Gemini、xAI の最先端モデルをすべてから選べます.

モデルを見る ↗

コードベースを深く理解

Cursor は、規模や複雑さに関係なく、あなたのコードベースの動作を学習します。

コードベースのインデックス化について ↗

長く使えるソフトウェアを開発

Fortune 500 の半数以上に信頼され、セキュアに、かつスケールして開発を加速します。

企業向けを詳しく見る →

変更履歴

1.72025年9月29日

エージェントのオートコンプリート、フック、チームルール

1.62025年9月12日

スラッシュコマンド、要約機能、改良されたAgentターミナル

1.52025年8月21日

Linear 連携、Agent のターミナル改善、OS 通知

1.42025年8月6日

Agentのツール、操縦性、利用状況の可視化を改善

Cursorの新機能を見る →

Cursor は、コーディングの未来を切り拓くことに取り組む実践志向のチームです。

参加する

今すぐ Cursor をお試しください。

macOS 用にダウンロード

あなたの生産性を飛躍的に高めるために設計された Cursor は、AI と共にコーディングする最良の方法です。

macOS 用にダウンロード

Cursor

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets
 
def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)
 
 
class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )
 
  def forward(self, x):
    return self.net(x)
 
def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

PyTorch MNIST 実験

cursor-agent

Cursor エージェント

~/Repos/ml-research-notebook

PyTorch MNIST 実験

→

GPT-5
/ はコマンド用 · @ はファイル用

世界中の数百万人のプロ開発者に、日々信頼されています。

Agent がアイデアをコードに変える

人間とAIのペアプログラマー。単独の開発者より桁違いに高い生産性を発揮します。

Agent について詳しく見る →

Cursor

Tab と Agent の使用パターンを分析

タブビューとエージェントパネルの間で、チームが各ワークスペースにおいてどのように注力を分配しているかを把握するのを手伝ってください。

驚くほど正確なオートコンプリート

独自の Tab モデルが、次のアクションを圧倒的な速度と精度で予測します。

Tab について詳しく見る →

Cursor

"use client";
 
import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";
 
export default function Dashboard() {
 
 
  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}