Consider re-writing innovation-based parameterizations of key stochastic processes as `numpyro.Distributions`
Los mantenedores suelen responder en 4 días
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Refactorización
- Claridad
- Necesita aclaración
- Estado de actividad
- Tranquilo
- Stack tecnológico
- python
- Área
- machine-learning
Línea de trabajo
Empieza leyendo la discusión enlazada desde PR #828, especialmente la comparación entre NumPyro Distributions y PyRenew RandomVariables. Determina qué parametrizaciones basadas en innovaciones están dentro del alcance y cómo deben evaluarse el muestreo hacia delante, la evaluación de la log-probabilidad y el rendimiento. Se considera terminado cuando exista una dirección de implementación acordada y la correspondiente reimplementación o decisión.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Avoiding the scan in log prob evaluation and using it only in forward sampling is a really nice feature of doing this as true
numpyroDistributions, rather than as PyRenewRandomVariables.Question: does this argue for reimplementing the innovation-based parameterizations in the same way? Do you expect performance implications?
Originally posted by @dylanhmorris in #828
- Lenguaje dominante
- Python
- Estrellas
- 30
- Forks
- 11
- Merge medio
- 6 d 20 h
- PR fusionados (30 d)
- 5
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de CDCgov/PyRenew
-
Support date-based right-truncation offsetsPosiblemente ocupada @cdc-mitzimorris la tomó hace 3 días. Abierto
CDCgov/PyRenew#928 · 1 comentario · 1 reacción · 1 asignado ·
Los mantenedores suelen responder en 4 días
-
Dificultad 4/5 3-5 días Aptitud para principiantes 25/100
Los mantenedores suelen responder en 4 días
-
clean up model
Dificultad 4/5 3-5 días Aptitud para principiantes 38/100
CDCgov/PyRenew#923 · 3 comentarios ·
Los mantenedores suelen responder en 4 días
-
Complete non-centering in temporal-process innovation parameterizationsQuizá libre de nuevo Un pull request para esta issue se cerró sin fusionarse. Abiertoclean up
Dificultad 4/5 3-5 días Aptitud para principiantes 53/100
CDCgov/PyRenew#921 · 1 comentario ·
Los mantenedores suelen responder en 4 días
-
Standardize initial value handling across `TemporalProcess`esQuizá libre de nuevo Un pull request para esta issue se cerró sin fusionarse. Abierto
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
CDCgov/PyRenew#917 · 2 comentarios ·
Los mantenedores suelen responder en 4 días
Todos los issues de CDCgov/PyRenew
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
aws-samples/sample-per-model-bedrock#795 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 74/100
Los mantenedores suelen responder en 1 día
-
Pretalx reports older version to be the latest release than what is actually installed and availableAbierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
Los mantenedores suelen responder en 1 día
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
micropython/micropython#19906 ·
Los mantenedores suelen responder en 1 día