Products with a Symmetric/Hermitian oneMKL sparse matrix ignore the wrapper
I maintainer di solito rispondono entro 1 giorno
Una pull request collegata è già stata integrata.
- #727 di @maleadt — integrata
Valutazione
- Difficoltà
- 3/5
- Tempo stimato
- 1-2 giorni
- Idoneità per principianti
- 58/100
Direzione di ricerca
Start in lib/mkl/interfaces.jl and trace how the Symmetric and Hermitian flags are converted before the oneMKL sparse multiplication call. Compare the behavior with the linked CUDA.jl fix and add a regression test based on the issue’s example, checking both wrappers against Julia’s Symmetric(A) * x or Hermitian(A) * x; done means the wrapper’s selected triangle is respected.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Multiplying by a Symmetric or Hermitian wrapper of a oneMKL sparse matrix most likely ignores the wrapper and computes the product with the stored matrix, e.g. Symmetric(dA) * x returns dA * x.
LinearAlgebra's storage-level mul!(C, tA, A, B, α, β) passes a Symmetric/Hermitian operand as its parent plus 'S'/'s'/'H'/'h'. The methods in lib/mkl/interfaces.jl turn that into 'N' (tA = tA in ('S', 's', 'H', 'h') ? 'N' : tA), so the triangle the wrapper refers to is treated as the whole matrix.
I haven't run this on Intel hardware. The code is the same as in CUDA.jl and AMDGPU.jl, where it gives wrong results (JuliaGPU/CUDA.jl#2572, JuliaGPU/AMDGPU.jl#1168). A test along these lines should show it:
using oneAPI, oneAPI.oneMKL, SparseArrays, LinearAlgebra
A = sprand(Float32, 10, 10, 0.4); x = rand(Float32, 10)
dA = oneSparseMatrixCSR(A)
Array(Symmetric(dA) * oneArray(x)) ≈ Symmetric(A) * x # expected true
The CUDA.jl fix (https://github.com/JuliaGPU/CUDA.jl/pull/3417) materializes the full matrix (sparse(::HermOrSym) for sparse parents, copytri! for dense ones) before calling the vendor library.
- Lingua principale
- Julia
- Stelle
- 218
- Fork
- 36
- Merge medio
- 1g 4h
- PR unite (30g)
- 55
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 JuliaGPU/oneAPI.jl
-
performance
Difficoltà 4/5 3-5 giorni Idoneità per principianti 48/100
I maintainer di solito rispondono entro 1 giorno
-
libraries upstream
Difficoltà 4/5 1-2 giorni Idoneità per principianti 22/100
JuliaGPU/oneAPI.jl#703 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno
-
ci
Difficoltà 5/5 Più di una settimana Idoneità per principianti 35/100
JuliaGPU/oneAPI.jl#663 · 1 reazione ·
I maintainer di solito rispondono entro 1 giorno
-
runtime upstream
Difficoltà 4/5 3-5 giorni Idoneità per principianti 48/100
I maintainer di solito rispondono entro 1 giorno
-
ci kernels upstream
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
JuliaGPU/oneAPI.jl#538 · 2 commenti ·
I maintainer di solito rispondono entro 1 giorno
Tutte le issue di JuliaGPU/oneAPI.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 74/100
OpenSourceAWE/SymbolicAWEModels.jl#431 ·
I maintainer di solito rispondono entro 1 giorno
-
Make PDAQP an optional extraAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 66/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
EnzymeAD/Reactant.jl#3549 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
WaterLily-jl/WaterLily-Examples#46 · 1 commento ·