Model size on disk and int8 estimate
Los mantenedores suelen responder en 1 día
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 2/5
- Tiempo estimado
- 1-3 horas
- Aptitud para principiantes
- 62/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Bastante claro
- Estado de actividad
- Activo
- Stack tecnológico
- python
- Área
- machine-learning
Línea de trabajo
Trabaja en src/complexity.py y añade size_on_disk_kb(model) e int8_size_kb(model) tal como se describe en la lista de tareas. Guarda state_dict en un archivo temporal para la primera y divide el número de parámetros entrenables entre 1024 para la segunda. Lee primero el issue #16, porque esta tarea depende de él, y revisa cómo las tablas de comparación llaman a estas funciones. Está terminado cuando ambas devuelven tamaños y el tamaño informado para el Modelo B es menor que el del Modelo A.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Needed for the model comparison tables.
Files: src/complexity.py
Tasks
-
size_on_disk_kb(model): savestate_dictto a temp file and return its size in KB -
int8_size_kb(model)= trainable params / 1024
Done when
Model B is reported smaller than Model A.
Depends on
#16
Close with a commit or PR message containing Closes #<this issue>.
- Lenguaje dominante
- Jupyter Notebook
- Estrellas
- 0
- Forks
- 0
- Merge medio
- 3 h 1 min
- PR fusionados (30 d)
- 19
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 VisionForgeCSE/CNN-For-Image-Classification
-
task-4 ws5-comparison
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
VisionForgeCSE/CNN-For-Image-Classification#75 ·
Los mantenedores suelen responder en 1 día
-
task-5 ws4-efficientnet
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
VisionForgeCSE/CNN-For-Image-Classification#71 ·
Los mantenedores suelen responder en 1 día
-
[T4] Model B: test-set evaluation (accuracy, confusion matrix, precision, recall)Posiblemente ocupada @snehal1931 la tomó hoy. Abiertotask-4 ws2-model-b
Dificultad 2/5 1-3 horas Aptitud para principiantes 74/100
VisionForgeCSE/CNN-For-Image-Classification#64 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Inference latency benchmarkAbiertoevaluation
Dificultad 2/5 1-3 horas Aptitud para principiantes 66/100
VisionForgeCSE/CNN-For-Image-Classification#27 ·
Los mantenedores suelen responder en 1 día
-
Plot confusion matrixAbiertoevaluation
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
VisionForgeCSE/CNN-For-Image-Classification#25 ·
Los mantenedores suelen responder en 1 día
Todos los issues de VisionForgeCSE/CNN-For-Image-Classification
Issues similares
-
bug(trainer): CustomTrainer func_args with non literal values fail inside the TrainJobPosiblemente ocupada @avanishkasar la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
kubeflow/sdk#879 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
coding size:s skill:kotlin-core sub-issue
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
SKaiNET-developers/SKaiNET#1421 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
modelscope/FunASR#3780 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
google-ai-edge/litert-torch#1345 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
meta-pytorch/captum#1944 ·