Failed quantization of dilated convolution layers: tensorflow or tensorflow-model-optimization bug?
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Error
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- keras, python
- Área
- machine-learning
Línea de trabajo
Empieza leyendo las incidencias de TensorFlow enlazadas y reproduciendo el fallo con un caso de cuantización de tf.keras.layers.Conv2D con dilatación. Compara ese flujo con la solución alternativa sugerida mediante tf.nn.conv2d y determina si el responsable es TensorFlow o TensorFlow Model Optimization. Se considera terminado cuando se hayan establecido el componente responsable y un alcance concreto de la corrección.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Describe the bug
Tensorflow model optimization fails to quantize dilated convolution layers.
System information
TensorFlow version (installed from source or binary): source
TensorFlow Model Optimization version (installed from source or binary): source
Python version: 3.10.12
Describe the expected behavior
Quantizing dilated convolutions should be essentially the same as any other layer.
Describe the current behavior
Either tf or tfmot is silently failing. There is the following very old issue describing exactly this:
https://github.com/tensorflow/tensorflow/issues/26797
There is a slightly newer open issue showing that this was never resolved:
https://github.com/tensorflow/tensorflow/issues/53025
I am not 100% certain, but it seems like these issues are misplaced and should be designated as model-optimization issues.
There seems to be a workaround via using tf.nn.conv2d instead of tf.keras.layers.Conv2D, but as far as I can tell this would require layer subclassing which, based on other issues, is still buggy when it comes to quantization.
Code to reproduce the issue
See afformentioned issues.
- Lenguaje dominante
- Python
- Estrellas
- 1.6k
- Forks
- 349
- 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 tensorflow/model-optimization
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 74/100
tensorflow/model-optimization#1301 · 1 comentario ·
-
bug
Dificultad 4/5 3-5 días Aptitud para principiantes 48/100
tensorflow/model-optimization#1272 ·
-
bug
Dificultad 3/5 1-2 días Aptitud para principiantes 50/100
tensorflow/model-optimization#1270 · 2 comentarios ·
-
build from source fails on macosAbiertobug
Dificultad 2/5 1-3 horas Aptitud para principiantes 48/100
tensorflow/model-optimization#1241 ·
-
bug
Dificultad 4/5 3-5 días Aptitud para principiantes 35/100
tensorflow/model-optimization#1182 · 1 comentario ·
Todos los issues de tensorflow/model-optimization
Issues similares
-
ACK_WAITING HELP_WANTED UPDATE_CS
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
OWASP/CheatSheetSeries#2458 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 90/100
BasedHardware/omi#19711 ·
Los mantenedores suelen responder en 1 día
-
Qwen3_5MoeModel no longer returns router_logits, breaking aux loss with output_router_logits=TrueAbierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
huggingface/transformers#49172 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
vllm-project/vllm-metal#885 ·
Los mantenedores suelen responder en 1 día