FluxML/Flux.jl

More robust testing for AlphaDropout

Open

#1.851 geöffnet am 27. Jan. 2022

Auf GitHub ansehen
 (6 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Julia (619 Forks)batch import
good first issuehelp wantedtesting

Repository-Metriken

Stars
 (4.725 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 4h 27m) (2 gemergte PRs in 30 T)

Beschreibung

We currently borrow from https://github.com/pytorch/pytorch/blob/v1.10.0/test/cpp/api/modules.cpp#L1337-L1338, but some sort of goodness-of-fit test would be more robust than a simple range. Sampling the layer outputs should have a negligible impact on test runtime.

Contributor Guide

Research-Richtung
Untersuche den vorhandenen AlphaDropout Test in der Testsuite von Flux.jl, wahrscheinlich in test/layers.jl oder ähnlich. Das Issue schlägt vor, die einfache Bereichsprüfung durch einen Anpassungstest, wie einen Chi Quadrat Test, zu ersetzen, um die Dropout Verteilung zu überprüfen. Überprüfe die PyTorch Referenz (test/cpp/api/modules.cpp Zeilen 1337-1338) zur Inspiration, passe sie jedoch an Julias Test Framework an. Erwäge die Implementierung eines statistischen Tests, der prüft, ob die Ausgabeverteilung der erwarteten AlphaDropout Verteilung entspricht.
Tech Stack
Keine
Domain
machine learning
Issue Type
Test
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Halber Tag
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
JuliaFlux.jlstatistical testing
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
75