`fma` and `muladd` ignore NaN-safe mode
Valutazione
- Difficoltà
- 3/5
- Tempo stimato
- 1-2 giorni
- Idoneità per principianti
- 55/100
- Tipo di issue
- Bug
- Chiarezza
- Specificata chiaramente
- Stato di attività
- Attiva
- Ambito
- tooling
Direzione di ricerca
Start by reproducing the four REPL examples with nansafe_mode = true and confirm fma and muladd differ from x * y + z. The issue names the methods for three dual arguments and for dual-real-dual arguments as the ones using fma/muladd directly, so begin there and compare them with the NaN-safe multiplication path. Done means both functions return the same partials as x * y + z in all four cases.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
With NaN-safe mode enabled (nansafe_mode = true), fma and muladd propagate NaN partials for dual numbers with zero partials, unlike the equivalent x * y + z:
julia> using ForwardDiff: Dual # nansafe_mode = true
julia> x, y, z = Dual(Inf, 0.0), Dual(2.0, 0.0), Dual(0.0, 0.0);
julia> x * y + z
Dual{Nothing}(Inf,0.0)
julia> muladd(x, y, z)
Dual{Nothing}(Inf,NaN)
julia> fma(x, y, z)
Dual{Nothing}(Inf,NaN)
julia> x, y, z = Dual(1.0, 0.0), Inf, Dual(0.0, 1.0);
julia> x * y + z
Dual{Nothing}(Inf,1.0)
julia> muladd(x, y, z)
Dual{Nothing}(Inf,NaN)
julia> fma(x, y, z)
Dual{Nothing}(Inf,NaN)
The methods for three dual arguments, and for dual-real-dual arguments, compute the partials with fma/muladd directly instead of going through the NaN-safe multiplication. Related: #857, #858.
ForwardDiff master (a3c0f4f), Julia 1.13.1, macOS aarch64.
- Lingua principale
- Julia
- Stelle
- 1k
- Fork
- 162
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
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 JuliaDiff/ForwardDiff.jl
-
missing floatmin, floatmax, and issubnormal for DualForse già presa @devmotion l’ha presa 15 giorni fa. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
JuliaDiff/ForwardDiff.jl#852 · 6 commenti ·
-
Enable NaN-safe mode by defaultForse già presa @devmotion l’ha presa 3 giorni fa. Aperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
JuliaDiff/ForwardDiff.jl#857 · 1 reazione ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 52/100
JuliaDiff/ForwardDiff.jl#854 · 1 commento ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 75/100
JuliaDiff/ForwardDiff.jl#849 ·
-
`gradient!` leaves part of the result unwritten when `f` does not depend on its argumentForse già presa @devmotion l’ha presa 44 giorni fa. Aperta
Difficoltà 3/5 1-2 giorni Idoneità per principianti 78/100
JuliaDiff/ForwardDiff.jl#847 ·
Tutte le issue di JuliaDiff/ForwardDiff.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
oscar-system/GAP.jl#1455 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 65/100
JuliaAI/MLJTransforms.jl#85 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
SciML/OrdinaryDiffEq.jl#4875 ·
I maintainer di solito rispondono entro 4 giorni
-
documentation
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 66/100
SciML/NonlinearSolve.jl#1372 ·
I maintainer di solito rispondono entro 1 giorno