missing method big(::Dual)
Maintainer antworten meist innerhalb von 1 Tag
@Pramodh-G arbeitet bereits daran.
Seit 22.7.2021.
Bewertung
- Schwierigkeit
- 2/5
- Geschätzter Aufwand
- 1-3 Stunden
- Anfängerfreundlichkeit
- 45/100
- Issue-Typ
- Feature
- Klarheit
- Klar beschrieben
- Aktivitätsstatus
- Veraltet
- Tech-Stack
- julia
- Bereich
- backend-api-design
Rechercherichtung
Lokalisieren Sie die Definitionen von Dual und Partials in ForwardDiff.jl und prüfen Sie, wie deren value- und partial-Felder dargestellt werden. Sehen Sie sich die verknüpfte Discourse-Diskussion und das aktuelle Verhalten von Base.big an und überprüfen Sie anschließend die vorgeschlagenen Methoden für beide Typen. Als erledigt gilt die Aufgabe, wenn big(::Dual) und big(::Partials) den gemeldeten BigFloat-Optimierungsfall ohne Regressionen unterstützen.
Vom Indexierungsmodell aus dem Issue-Text verfasst.
Beschreibung
It seems like this should work. All that is needed is:
Base.big(x::Dual{T}) where {T} = Dual{T}(big(x.value), big(x.partials))
Base.big(p::Partials) = Partials(big.(p.values))
(Mentioned on discourse.)
- Vorherrschende Sprache
- Julia
- Sterne
- 1k
- Forks
- 165
- Ø Merge
- 8 T. 22 Std.
- Gemergte PRs (30 T.)
- 3
Entwicklungsumgebung
Dieses Projekt bietet weder Dev-Container noch Dockerfile noch Beitragsleitfaden – die Einrichtung liegt bei Ihnen. Beginnen Sie mit der README; die allgemeinen Schritte stehen in unserem Leitfaden für den ersten Beitrag.
Erste Schritte
- Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
- Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
- Forken Sie das Repository und arbeiten Sie in einem Branch.
- Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.
Mehr aus JuliaDiff/ForwardDiff.jl
-
missing floatmin, floatmax, and issubnormal for DualEvtl. vergeben @devmotion hat das vor 33 Tagen übernommen. Offen
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 68/100
JuliaDiff/ForwardDiff.jl#852 · 6 Kommentare ·
Maintainer antworten meist innerhalb von 1 Tag
-
`min` does not return the minimum with respect to `isless` when values tieEvtl. vergeben @devmotion hat das vor 7 Tagen übernommen. Offen
Schwierigkeit 3/5 1-2 Tage Anfängerfreundlichkeit 55/100
JuliaDiff/ForwardDiff.jl#868 ·
Maintainer antworten meist innerhalb von 1 Tag
-
Enable NaN-safe mode by defaultEvtl. vergeben @devmotion hat das vor 21 Tagen übernommen. Offen
Schwierigkeit 5/5 Über eine Woche Anfängerfreundlichkeit 25/100
JuliaDiff/ForwardDiff.jl#857 · 1 Reaktion ·
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 4/5 3-5 Tage Anfängerfreundlichkeit 52/100
JuliaDiff/ForwardDiff.jl#854 · 1 Kommentar ·
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 3/5 1-2 Tage Anfängerfreundlichkeit 75/100
JuliaDiff/ForwardDiff.jl#849 ·
Maintainer antworten meist innerhalb von 1 Tag
Alle Issues in JuliaDiff/ForwardDiff.jl
Ähnliche Issues
-
`ShallowWaterModel` allocates ~9 KiB per grid point per RK3 stage on the CPUEvtl. vergeben @ali-ramadhan hat das heute übernommen. Offenperformance 🏍️
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 62/100
CliMA/Oceananigans.jl#6421 · 1 Reaktion ·
Maintainer antworten meist innerhalb von 1 Tag
-
`AMSGrad` state starts at `epsilon` instead of zero, so zero gradients move parameters and small gradients are dampedEvtl. vergeben @parth-patel010 hat das heute übernommen. Offen
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 72/100
FluxML/Optimisers.jl#247 · 1 Kommentar ·
-
Schwierigkeit 1/5 Unter einer Stunde Anfängerfreundlichkeit 82/100
OpenFUSIONToolkit/GPEC#644 ·
Maintainer antworten meist innerhalb von 3 Tagen
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 78/100
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 1/5 Unter einer Stunde Anfängerfreundlichkeit 62/100
SciML/DataDrivenDiffEq.jl#694 ·