Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

feat(tf2): support epoch-based and multi-task training horizons

Aperta
  • Qualcosa non va?
#5,879 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 3 giorni

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
35/100
Tipo di issue
Funzionalità
Chiarezza
Abbastanza chiara
Stato di attività
Tranquilla
Stack tecnologico
python, tensorflow
Ambito
machine-learning

Direzione di ricerca

Inizia tracciando l'inizializzazione dell'addestramento TF2 da training.numb_steps, passando per il filtraggio del dataset e la risoluzione della dimensione del batch, e confronta la semantica dello schema a cui si fa riferimento in #5757. Mappa dove vengono gestite le transizioni tra epoche, il campionamento multi-task, il rimescolamento, lo stato di riavvio e i conteggi dei passi dell'ottimizzatore distribuito. Il lavoro è completato quando gli input epoch-only e multi-task funzionano con un comportamento di riavvio e rimescolamento testato, mentre l'addestramento a passi fissi rimane invariato.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

enhancement

Summary

The common schema accepts training.numb_epoch and aliases plus multi-task training.num_epoch_dict, but TF2 training still initializes directly from training.numb_steps. Epoch-only inputs therefore do not have a complete TF2 execution path.

Scope

  • Resolve single-task epoch counts after dataset and batch-size setup determines steps per epoch.
  • Resolve multi-task epoch dictionaries into documented sampling probabilities and a deterministic total step count.
  • Define epoch transitions, reshuffling, and restart state.
  • Keep distributed ranks aligned on optimizer-step count.
  • Preserve explicit fixed-step behavior.

Use a shared backend-neutral horizon resolver where feasible so schema semantics remain consistent.

Acceptance criteria

  • A normalized TF2 input with only an epoch count trains without requiring numb_steps.
  • Multi-task epoch dictionaries produce documented and tested scheduling behavior.
  • Filtering and batch-size resolution occur before horizon calculation.
  • Restart resumes the same epoch and intra-epoch position.
  • Single-rank and distributed tests cover reshuffling and uneven tails.
  • Existing fixed-step TF2 training remains unchanged.

Refs #5757.

Coding agent: Codex
Codex version: codex-cli 0.144.4
Model: gpt-5.6-sol
Reasoning effort: xhigh

Lingua principale
Python
Stelle
2.1k
Fork
659
Merge medio
4g 2h
PR unite (30g)
6

Preparare l'ambiente

Apri in Codespaces

Avvia il container di sviluppo del progetto nel browser, con il tuo account GitHub.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di deepmodeling/deepmd-kit

Tutte le issue di deepmodeling/deepmd-kit

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.