Ax/Atb trim the caller's GpuIds in place, so blocksize-1 solvers run on one GPU after the first angle
I maintainer di solito rispondono entro 1 giorno
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 2/5
- Tempo stimato
- 1-3 ore
- Idoneità per principianti
- 82/100
Direzione di ricerca
Leggi Python/tigre/utilities/Ax.py intorno alle righe 111-112 e Atb.py intorno alle righe 79-80 per seguire come viene ridotta la lista di GPU. Controlla come i risolutori con blocksize-1 riutilizzano self.gpuids, poi esegui una chiamata con un angolo e più ID GPU e verifica se la lista del chiamante cambia. Il lavoro è completato quando entrambe le utility preservano la lista di GPU del chiamante e usano solo i dispositivi necessari per l’operazione.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
My agent came up with this analysis, but I've read and approved it.
Python/tigre/utilities/Ax.py:111-112 (master cac83e7) reduces the GPU list when there are fewer angles than GPUs, but it does so on the caller's own object: gpuids.devices = list(gpuids.devices[0:len(angles)]). Algorithms with blocksize 1 (SART, ASD_POCS, AwASD_POCS) project one angle at a time with their shared self.gpuids, so after the first angle that list is [0] for the rest of the reconstruction, both for the projections and for the TV step. With asd_pocs(..., gpuids=[0, 1]), a log of the regularizer calls shows minTV running on devices [0] in all 10 iterations. Atb.py:79-80 has the same pattern when geo.nVoxel[0] is smaller than the number of GPUs.
g = GpuIds()
g.devices = [0, 1]
Ax(img, geo, angles[:1], gpuids=g)
print(g.devices) # [0]
Trimming a copy instead (for example gpuids = copy.deepcopy(gpuids) before the reduction, in both files) keeps the caller's list intact.
- Lingua principale
- MATLAB
- Stelle
- 824
- Fork
- 274
- Merge medio
- 9h 17m
- PR unite (30g)
- 39
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di CERN/TIGRE
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 48/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 53/100
I maintainer di solito rispondono entro 1 giorno
-
Add Windows CI coverage for Python installation and CUDA compatibilityForse già presa @victrvondoom l’ha presa oggi. Aperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
I maintainer di solito rispondono entro 1 giorno
-
Improvement on memory sharing on multi-GPU TV codesForse già presa @jeffdaily l’ha presa 7 giorni fa. Aperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 15/100
I maintainer di solito rispondono entro 1 giorno
-
Half fan CBCT reconstructionAperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
I maintainer di solito rispondono entro 1 giorno
Issue simili
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 83/100
UniprJRC/DSwithMATLAB#240 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 77/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 63/100
mathworks/MATLAB-Coding-Guidelines#7 · 2 commenti ·
-
keep-for-CCMI-project-students
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 72/100
fitbenchmarking/fitbenchmarking#1834 ·
I maintainer di solito rispondono entro 1 giorno