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

feat(tf2): support epoch-based and multi-task training horizons

Abierto
  • ¿Algo no está bien?
#5,879 0 comentarios 0 reacciones 0 asignados Ver en GitHub

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
35/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Tranquilo
Stack tecnológico
python, tensorflow
Área
machine-learning

Línea de trabajo

Empieza rastreando la inicialización del entrenamiento de TF2 desde training.numb_steps, pasando por el filtrado del dataset y la resolución del tamaño de batch, y compara la semántica del esquema referenciada en #5757. Mapea dónde se gestionan las transiciones de época, el muestreo multi-task, el remezclado, el estado de reinicio y los recuentos de pasos del optimizador distribuido. Se considera terminado cuando las entradas de epoch-only y multi-task funcionan con un comportamiento de reinicio y remezclado probado, mientras que el entrenamiento con pasos fijos permanece sin cambios.

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

Descripción

enhancement

Summary

The common schema accepts training.numb_epoch and aliases plus multi-task training.num_epoch_dict, but TF2 training still initializes directly from training.numb_steps. Epoch-only inputs therefore do not have a complete TF2 execution path.

Scope

  • Resolve single-task epoch counts after dataset and batch-size setup determines steps per epoch.
  • Resolve multi-task epoch dictionaries into documented sampling probabilities and a deterministic total step count.
  • Define epoch transitions, reshuffling, and restart state.
  • Keep distributed ranks aligned on optimizer-step count.
  • Preserve explicit fixed-step behavior.

Use a shared backend-neutral horizon resolver where feasible so schema semantics remain consistent.

Acceptance criteria

  • A normalized TF2 input with only an epoch count trains without requiring numb_steps.
  • Multi-task epoch dictionaries produce documented and tested scheduling behavior.
  • Filtering and batch-size resolution occur before horizon calculation.
  • Restart resumes the same epoch and intra-epoch position.
  • Single-rank and distributed tests cover reshuffling and uneven tails.
  • Existing fixed-step TF2 training remains unchanged.

Refs #5757.

Coding agent: Codex
Codex version: codex-cli 0.144.4
Model: gpt-5.6-sol
Reasoning effort: xhigh

Lenguaje dominante
Python
Estrellas
2.1k
Forks
659
Merge medio
4 d 2 h
PR fusionados (30 d)
6

Preparar el entorno

Abrir en Codespaces

Inicia el contenedor de desarrollo del proyecto en tu navegador, con tu propia cuenta de GitHub.

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 deepmodeling/deepmd-kit

Todos los issues de deepmodeling/deepmd-kit

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.