[Code scan] Make mhcustom honor burn-in state and nsamples
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 2/5
- Tiempo estimado
- 1-3 horas
- Aptitud para principiantes
- 88/100
- Tipo de issue
- Error
- Claridad
- Bien especificado
- Estado de actividad
- Tranquilo
- Stack tecnológico
- python
- Área
- machine-learning
Línea de trabajo
Abre dftio/dep/_xitorch/_impls/integrate/mcsamples/mcmc.py alrededor de las líneas 76-77 y sigue las llamadas de burn-in y muestreo. Reproduce el problema con custom_step=lambda x: x + 1, x0=0, nsamples=3 y nburnout=2. La tarea estará terminada cuando la cadena devuelta tenga nsamples entradas y comience desde el estado posterior al burn-in.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
This issue comes from a Codex global repository scan.
Problem
The vendored MCMC custom sampler computes a post-burn-in state, then discards it and collects the wrong number of samples:
It calls _mhcustom_sample(..., x0, ..., nburnout, ..., True) instead of starting from x and collecting nsamples. Whenever nsamples != nburnout, the returned chain has the wrong length and starts from the unburned initial state.
Reproduction
Use custom_step=lambda x: x + 1, x0=0, nsamples=3, and nburnout=2; the current output has length 2 and starts at [0, 1].
Suggested fix
Collect from the burned-in state and use nsamples:
xsamples = _mhcustom_sample(logpfcn, x, pparams, nsamples, custom_step, True)
- Lenguaje dominante
- Jupyter Notebook
- Estrellas
- 16
- Forks
- 14
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Sin plantilla de pull request
- Leer la guía de contribución
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 deepmodeling/dftio
-
Dificultad 2/5 1-2 días Aptitud para principiantes 78/100
deepmodeling/dftio#44 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
deepmodeling/dftio#42 ·
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 88/100
deepmodeling/dftio#41 ·
-
Dificultad 2/5 Medio día Aptitud para principiantes 75/100
deepmodeling/dftio#40 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 84/100
deepmodeling/dftio#39 ·
Todos los issues de deepmodeling/dftio
Issues similares
-
.NET ep:WebGPU platform:web
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
microsoft/onnxruntime#33755 ·
Los mantenedores suelen responder en 2 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
rohitg00/ai-engineering-from-scratch#724 ·
Los mantenedores suelen responder en 1 día
-
PC
Dificultad 2/5 1-3 horas Aptitud para principiantes 74/100
Los mantenedores suelen responder en 1 día
-
Standalone punctuation breaks negation handling and reverses sentiment predictionsPosiblemente ocupada @vivek-3728 la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 87/100
techcsispit/mess-mood#28 · 1 comentario ·
Los mantenedores suelen responder en 2 días
-
[bug] SDCReplayer can miss extra RNG usage during replayPosiblemente ocupada @H-Huang la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
pytorch/torchtitan#5701 ·
Los mantenedores suelen responder en 1 día