Provide tiny wrapper over pytorch ThroughputBenchmark

Repository-Metriken

Stars

4.313 Stars (4.313 Stars)

PR-Merge-Metriken

Durchschn. Merge 18T 23h (Durchschn. Merge 18T 23h)19 gemergte PRs in 30 T (19 gemergte PRs in 30 T)

Beschreibung

 >>> from torch.utils import ThroughputBenchmark
>>> bench = ThroughputBenchmark(my_module)
>>> # Pre-populate benchmark's data set with the inputs
>>> for input in inputs:
    # Both args and kwargs work, same as any PyTorch Module / ScriptModule
    bench.add_input(input[0], x2=input[1])
>>> # Inputs supplied above are randomly used during the execution
>>> stats = bench.benchmark(
                num_calling_threads=4,
                num_warmup_iters = 100,
                num_iters = 1000,
            )
>>> print("Avg latency (ms): {}".format(stats.latency_avg_ms))
>>> print("Number of iterations: {}".format(stats.num_iters))

Contributor Guide

Research-Richtung

Untersuche PyTorchs ThroughputBenchmark aus torch.utils.throughput benchmark, verstehe seine API und Integrationspunkte mit Ignites Trainingsschleife. Erstelle einen kleinen Wrapper, der ein Ignite Modell akzeptiert und ähnliche Benchmarking Funktionen bietet.

Tech Stack

pythonpytorch

Domain

machine learningai

Issue Type

Funktion

SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.

2

Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.

Unter 1 Stunde

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

PythonPyTorchIgnite basics

EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.

80