Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

DimensionMismatch error

Abierto
  • ¿Algo no está bien?
#181 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
4/5
Tiempo estimado
3-5 días
Aptitud para principiantes
30/100
Tipo de issue
Error
Claridad
Necesita aclaración
Estado de actividad
Estancado
Stack tecnológico
julia
Área
devtools

Línea de trabajo

Comienza ejecutando el ejemplo de ODE proporcionado con las versiones indicadas de DifferentialEquations, DiffEqSensitivity, ForwardDiff y ReverseDiff, centrándote en las llamadas a ReverseDiff.jacobian y gradient. Compara el error completo del gist enlazado con los casos funcionales de ForwardDiff y Zygote; se considera completado cuando se haya identificado si la discrepancia se debe a un error de ReverseDiff o a una incompatibilidad entre paquetes, y se haya capturado un reproductor mínimo.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

I asked this question in the #autodiff channel on Slack but haven't found out if I'm doing something wrong, hitting a bug in ReverseDiff, or hitting an incompatibility with DifferentialEquations.

I’m trying to differentiate through a system of ODEs. The function F returns simulations F(x) and I’m trying to obtain the product J(x)*u and J(x)ᵀ*v where J is the Jacobian of F. It works with ForwardDiff, but ReverseDiff throws an error…

using DifferentialEquations, DiffEqSensitivity, ForwardDiff, ReverseDiff

function ODE(dx, x, p, t)
  V, W = x
  I, μ, a, b, c = p
  dx[1] = (V - V^3 / 3 - W + I) / μ
  dx[2] = μ * (a * V - b * W + c)
end

prob = ODEProblem(ODE, [2.0; 0.0], (0.0, 20.0), [0.5, 0.08, 1.0, 0.8, 0.7])

function F(x)
  temp_prob = remake(prob, p = x)
  sol = solve(temp_prob, Vern9(), saveat = 0.2)
  return vec(sol)
end

jprod_fwd(f, x, u) = ForwardDiff.derivative(t -> f(x + t * u), 0)
jprod_fwd(F, rand(5), rand(5))  # works

jprod_rev(f, x, u) = ReverseDiff.jacobian(t -> f(x + t[1] * u), [zero(eltype(x))])
jprod_rev(F, rand(5), rand(5))  # throws DimensionMismatch ?!

jtprod_rev(f, x, u) = ReverseDiff.gradient(z -> dot(f(z), u), x)
jtprod_rev (generic function with 1 method)

jtprod_rev(F, rand(5), rand(202))
ERROR: DimensionMismatch("arrays could not be broadcast to a common size; got a dimension with lengths 5 and 6")

Here is the full error message: https://gist.github.com/7544d5c680995d4634cab19a2cdccfd6

pkg> status
      Status `~/dev/julia/BLA/myenv/Project.toml`
  [41bf760c] DiffEqSensitivity v6.57.0
  [0c46a032] DifferentialEquations v6.18.0
  [f6369f11] ForwardDiff v0.10.19
  [37e2e3b7] ReverseDiff v1.9.0

Many thanks in advance!

ps: I am aware that using ReverseDiff for J(x)*u isn't the most efficient in many cases, but it should work. It works with Zygote.

Lenguaje dominante
Julia
Estrellas
397
Forks
62
Merge medio
12 h 50 min
PR fusionados (30 d)
8

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

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de JuliaDiff/ReverseDiff.jl

Todos los issues de JuliaDiff/ReverseDiff.jl

Issues similares

Más issues de Julia

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.