Poor numerical consistency with numpy for reductions with dtype=`float16` specified
Los mantenedores suelen responder en 2 días
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 35/100
Línea de trabajo
Comienza en los puntos de entrada de reducción COO.sum y COO.mean y reproduce con NumPy los ejemplos proporcionados de float16. Rastrea cómo se gestiona el argumento dtype en las reducciones sobre varios ejes y, a continuación, verifica que los resultados sparse coincidan con los resultados correspondientes de NumPy para los casos mostrados.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Reductions like COO.sum and COO.mean fail to match numpy in all cases when dtype=numpy.float16 is specified. For example:
import sparse
import numpy as np
x = np.array([[[ 0, 0, 4526, 0],
[ 0, 0, -37, 0],
[ 8372, 0, 7915, 0]],
[[ 0, 0, 0, 0],
[ 0, 0, -7917, 0],
[-9719, 0, 0, 0]]], dtype='i4')
s = sparse.COO.from_numpy(x)
res = s.sum(axis=(0, 2), dtype='f2')
sol = x.sum(axis=(0, 2), dtype='f2')
print(res.todense())
print(sol)
outputs:
[ 4530. -7950. 6564.]
[ 4530. -7950. 6570.]
It's not clear if each of these will need to be fixed per-method, or if there's a general fix in the reduce code. For sum, numpy interprets x.sum(dtype='f2') the same as x.astype('f2').sum(), but this is not true for x.mean(dtype='f2').
- Lenguaje dominante
- Python
- Estrellas
- 670
- Forks
- 167
- Merge medio
- 3 d 4 h
- PR fusionados (30 d)
- 7
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Tiene una 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 pydata/sparse
-
Bug: full einsum contractions upcast the dtype and count booleansPosiblemente ocupada @RaphaelFakhri la tomó hace 17 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
Los mantenedores suelen responder en 2 días
-
BUG: ufunc outer rejects Python scalar and sequence operandsPosiblemente ocupada @nawaaaaaAaar la tomó hace 29 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
Los mantenedores suelen responder en 2 días
-
Bug: slices with a negative step and a negative stop return wrong elementsPosiblemente ocupada @JoeyTan21 la tomó hace 19 días. Abierto
Dificultad 3/5 1-2 días Aptitud para principiantes 75/100
pydata/sparse#1019 · 1 comentario ·
Los mantenedores suelen responder en 2 días
-
BUG: matmul fails with zero-length broadcast batch dimensionsPosiblemente ocupada @nawaaaaaAaar la tomó hace 29 días. Abierto
Dificultad 3/5 1-2 días Aptitud para principiantes 40/100
Los mantenedores suelen responder en 2 días
-
BUG: zero-length tensor contractions ignore requested output typesPosiblemente ocupada @nawaaaaaAaar la tomó hace 29 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100
Los mantenedores suelen responder en 2 días
Todos los issues de pydata/sparse
Issues similares
-
needs-triage
Dificultad 1/5 Menos de una hora Aptitud para principiantes 88/100
flashinfer-ai/flashinfer#9803 ·
Los mantenedores suelen responder en 1 día
-
bug frontend good first issue help wanted
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
oscarbol09/thesisforge#61 ·
-
api bug performance
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
oscarbol09/audiobard#159 ·
-
area:web p2 product:business triage:active type:bug
Dificultad 1/5 Menos de una hora Aptitud para principiantes 89/100
cuadrao-ai/argus#2328 ·
Los mantenedores suelen responder en 1 día
-
bug frontend good first issue help wanted
Dificultad 2/5 1-3 horas Aptitud para principiantes 88/100
nikhilb2/simple_invoicing#907 ·