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
661
Merge medio
5 d 13 h
PR fusionados (30 d)
11

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.