[Code scan] Make mhcustom honor burn-in state and nsamples
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 2/5
- Tempo stimato
- 1-3 ore
- Idoneità per principianti
- 88/100
- Tipo di issue
- Bug
- Chiarezza
- Specificata chiaramente
- Stato di attività
- Tranquilla
- Stack tecnologico
- python
- Ambito
- machine-learning
Direzione di ricerca
Apri dftio/dep/_xitorch/_impls/integrate/mcsamples/mcmc.py intorno alle righe 76-77 e segui le chiamate di burn-in e campionamento. Riproduci il problema con custom_step=lambda x: x + 1, x0=0, nsamples=3 e nburnout=2. Il lavoro è completato quando la catena restituita contiene nsamples elementi e inizia dallo stato dopo il burn-in.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
This issue comes from a Codex global repository scan.
Problem
The vendored MCMC custom sampler computes a post-burn-in state, then discards it and collects the wrong number of samples:
It calls _mhcustom_sample(..., x0, ..., nburnout, ..., True) instead of starting from x and collecting nsamples. Whenever nsamples != nburnout, the returned chain has the wrong length and starts from the unburned initial state.
Reproduction
Use custom_step=lambda x: x + 1, x0=0, nsamples=3, and nburnout=2; the current output has length 2 and starts at [0, 1].
Suggested fix
Collect from the burned-in state and use nsamples:
xsamples = _mhcustom_sample(logpfcn, x, pparams, nsamples, custom_step, True)
- Lingua principale
- Jupyter Notebook
- Stelle
- 16
- Fork
- 14
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
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 deepmodeling/dftio
-
Difficoltà 2/5 1-2 giorni Idoneità per principianti 78/100
deepmodeling/dftio#44 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 75/100
deepmodeling/dftio#42 ·
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
deepmodeling/dftio#41 ·
-
Difficoltà 2/5 Mezza giornata Idoneità per principianti 75/100
deepmodeling/dftio#40 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
deepmodeling/dftio#39 ·
Tutte le issue di deepmodeling/dftio
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 64/100
containers/podman-desktop-extension-ai-lab#4853 ·
I maintainer di solito rispondono entro 1 giorno
-
train_artifact_model crashes when a (source, label, variant type) bin has no training data: Downsampler weights become NaNForse già presa @yfarjoun l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 83/100
broadinstitute/permutect#303 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
modelscope/modelscope#1833 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 75/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100