JuliaGPU/CUDA.jl

Schur decomposition

Open

#2.077 geöffnet am 11. Sept. 2023

Auf GitHub ansehen
 (1 Kommentar) (0 Reaktionen) (0 zugewiesene Personen)Julia (274 Forks)batch import
enhancementhelp wanted

Repository-Metriken

Stars
 (1.408 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 5T 5h) (16 gemergte PRs in 30 T)

Beschreibung

Schur decomposition is implemented efficiently on GPU in PyTorch, Jax, and MatLab. It is an essential ingredient for the efficient computation of matrix square root (sqrtm).

It would be ideal to have this decomposition implemented directly in CUDA.jl. The only alternative I see at the moment is full-on diagonalization which is less efficient and less stable.

Contributor Guide

Research-Richtung
Studiere die Implementierung vorhandener Matrixzerlegungen in CUDA.jl (z.B. Eigenwertzerlegung), um die Codestruktur zu verstehen. Implementiere dann die Schur Zerlegung mit der gees Funktion von cuSOLVER. Orientiere dich an den PyTorch/JAX Implementierungen.
Tech Stack
Keine
Domain
backendperformance
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
4
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Über 1 Woche
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
JuliaCUDALinear AlgebraGit
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
20