FluxML/Flux.jl

More robust testing for AlphaDropout

Fermée

#1 851 ouverte le 27 janv. 2022

Voir sur GitHubGuide contributeur
 (6 commentaires) (0 réaction) (0 personne assignée)Julia (619 forks)batch import
good first issuehelp wantedtesting

Métriques du dépôt

Stars
 (4 725 étoiles)
Métriques de merge PR
 (Merge moyen 3j 6h) (6 PRs mergées en 30 j)

Description

We currently borrow from https://github.com/pytorch/pytorch/blob/v1.10.0/test/cpp/api/modules.cpp#L1337-L1338, but some sort of goodness-of-fit test would be more robust than a simple range. Sampling the layer outputs should have a negligible impact on test runtime.

Guide contributeur

Direction de recherche
Examinez le test AlphaDropout existant dans la suite de tests de Flux.jl, probablement dans test/layers.jl ou similaire. Le problème suggère de remplacer la simple vérification de plage par un test d'adéquation, comme un test du chi carré, pour vérifier la distribution du dropout. Consultez la référence PyTorch (test/cpp/api/modules.cpp lignes 1337-1338) pour inspiration, mais adaptez la au framework de test de Julia. Envisagez d'implémenter un test statistique qui vérifie si la distribution de sortie correspond à la distribution AlphaDropout attendue.
Stack technique
Aucun
Domaine
machine learning
Type d'issue
Test
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
Une demi journée
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
JuliaFlux.jlstatistical testing
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
75