`x' * SMatrix` fails for `SVector` inputs
I maintainer di solito rispondono entro 1 giorno
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 3/5
- Tempo stimato
- 1-2 giorni
- Idoneità per principianti
- 68/100
Direzione di ricerca
Run the reported ReverseDiff and StaticArrays example with an SVector input, then inspect the _mul! and mul! path for an Adjoint of an MVector multiplied by an SMatrix. Done means the transpose and adjoint products work for SVector inputs as they already do for Vector inputs, with regression coverage for the reproducer.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
using ReverseDiff, StaticArrays
M = SMatrix{2,2}(1.0, 2.0, 3.0, 4.0)
ReverseDiff.gradient(x -> sum(abs2, x' * M), SVector(3.0, 4.0))
MethodError: no method matching _mul!(::StaticArrays.TSize{(1, 2), :adjoint}, ::MVector{2, Float64}, ::Size{(1, 2)}, ::Size{(2, 2)}, ::Adjoint{Float64, MVector{2, Float64}}, ::SMatrix{2, 2, Float64, 4}, ::StaticArrays.NoMulAdd{Float64, Float64})
transpose(x) * M fails in the same way. With a Vector input, both work.
The tracked input's value is an MVector, so the product's value is an Adjoint of an MVector. mul! then writes the result into the MVector under that Adjoint, and StaticArrays has no _mul! for writing a row vector times a matrix into a plain vector. This happens on master, both before and after #307.
🤖 Generated with Claude Code
- Lingua principale
- Julia
- Stelle
- 395
- Fork
- 61
- Merge medio
- 23h 18m
- PR unite (30g)
- 16
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/ReverseDiff.jl
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 86/100
JuliaDiff/ReverseDiff.jl#318 ·
I maintainer di solito rispondono entro 1 giorno
-
`@grad`/`@grad_from_chainrules` silently reuse a tangent if a pullback returns too few tangentsAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 83/100
JuliaDiff/ReverseDiff.jl#315 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
JuliaDiff/ReverseDiff.jl#314 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 56/100
JuliaDiff/ReverseDiff.jl#321 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 72/100
JuliaDiff/ReverseDiff.jl#320 ·
I maintainer di solito rispondono entro 1 giorno
Tutte le issue di JuliaDiff/ReverseDiff.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 82/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
Sienna-Platform/PowerSystemCaseBuilder.jl#239 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
JuliaPluto/Malt.jl#114 ·
-
enhancement
Difficoltà 2/5 1-3 ore Idoneità per principianti 85/100
QuantumSavory/QuantumSavory.jl#592 ·
I maintainer di solito rispondono entro 1 giorno