Why are coefficients in tensor product bases represented the way they are?
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
- Estancado
- Stack tecnológico
- julia
- Área
- performance
Línea de trabajo
No se nombran archivos, pruebas ni puntos de entrada. Empieza por localizar la representación de los coeficientes de la base de producto tensorial y la construcción del operador de diferenciación; después, compara, para el ejemplo de Chebyshev, el ordenamiento empaquetado actual con el almacenamiento como matriz o con el almacenamiento redimensionado. Se considera terminado cuando se documente la justificación o se acuerde un cambio de representación viable que aborde los costes de memoria y rendimiento informados.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
If you have a basis of Chebyshev Polynomials, for example, that looks like this:
[T00 T01 T02;
T10 T11 0 ;
T20 0 0 ]
These are stored like so
[T00, T01, T10, T02, T11, T20]
My question is: why? Would it not be more natural to simply keep using the matrix? Or perhaps reshape the matrix to a vector, so columns are concatenated together?
In my case, using the matrix directly means I don't have a differentiation operator with 1e12 entries, but rather one with 1e6 entries, which is the difference between feasible and impossible. (The reduction occurs because in the matrix way of doing things, I can use the 1D operators on each column/row, which amounts to a simple matrix matrix multiplication).
Of course, this comes at the cost of doubling the memory, but it seems more than worth it to double the memory at this stage if you can save many orders of magnitude in memory/time when building operators and applying them.
- Lenguaje dominante
- Julia
- Estrellas
- 13
- Forks
- 13
- Merge medio
- 1 d 5 h
- PR fusionados (30 d)
- 3
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 JuliaApproximation/ApproxFunBase.jl
-
tagbot-manual
Dificultad 1/5 1-3 horas Aptitud para principiantes 62/100
-
Dificultad 4/5 3-5 días Aptitud para principiantes 42/100
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
JuliaApproximation/ApproxFunBase.jl#389 · 1 comentario ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 35/100
JuliaApproximation/ApproxFunBase.jl#81 · 10 comentarios ·
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
JuliaApproximation/ApproxFunBase.jl#8 · 1 reacción ·
Todos los issues de JuliaApproximation/ApproxFunBase.jl
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
jump-dev/MathOptInterface.jl#3113 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 83/100
JuliaMath/Polynomials.jl#647 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 74/100
OpenSourceAWE/SymbolicAWEModels.jl#431 ·
Los mantenedores suelen responder en 1 día
-
Make PDAQP an optional extraAbierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 66/100
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
JuliaArrays/StaticArrays.jl#1365 ·