Weighted logsumexp
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 30/100
Direzione di ricerca
Leggere prima le funzioni logsumexp esistenti e il relativo codice sorgente, quindi analizzare come sono attualmente implementate le riduzioni in Julia. Definire i casi di vettori e matrici pesati, inclusi i pesi molto piccoli o nulli, e verificare che il comportamento risultante log(dot(w, exp.(x))) e x -> log.(K*exp.(x)) sia coperto.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Let w, x be vectors. I'm interested in computing log(dot(w, exp.(x)). The current logsumexp functions can be used to compute this, but one must take log.(w)which is troublesome when w can be very small or zero. I took a look at the source and I think actually it should be straightforward to extend the current code. The end goal for this would be to implement x -> log.(K*exp.(x)) where K is a matrix and x is a vector.
What I'm not so familiar with is how to implement the reduction in Julia in an efficient manner. At a high level, the first thing that comes to mind for me is to do something like a binary operation of the type x, (y, w) -> log(exp(x) + w*exp(y)) and do a reduction over pairs of data and weights. But I'd appreciate some input on how this should be best done.
- Lingua principale
- Julia
- Stelle
- 86
- Fork
- 25
- Merge medio
- 32m
- PR unite (30g)
- 1
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 JuliaStats/LogExpFunctions.jl
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
JuliaStats/LogExpFunctions.jl#102 · 4 commenti ·
-
exp-weighted meanAperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
-
log-cumsum-exp ?Aperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 25/100
-
Add logmeanexpForse di nuovo libera Una pull request per questa issue è stata chiusa senza essere unita. Aperta
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
JuliaStats/LogExpFunctions.jl#81 · 2 commenti ·
-
Citation?Aperta
Difficoltà 1/5 1-3 ore Idoneità per principianti 55/100
Tutte le issue di JuliaStats/LogExpFunctions.jl
Issue simili
-
`ShallowWaterModel` allocates ~9 KiB per grid point per RK3 stage on the CPUForse già presa @ali-ramadhan l’ha presa oggi. Apertaperformance 🏍️
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
CliMA/Oceananigans.jl#6421 · 1 reazione ·
I maintainer di solito rispondono entro 1 giorno
-
`AMSGrad` state starts at `epsilon` instead of zero, so zero gradients move parameters and small gradients are dampedForse già presa @parth-patel010 l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
FluxML/Optimisers.jl#247 · 1 commento ·
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 82/100
OpenFUSIONToolkit/GPEC#644 ·
I maintainer di solito rispondono entro 3 giorni
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 62/100
SciML/DataDrivenDiffEq.jl#694 ·