with_data fails with a list on the jax backend
Valutazione
- Difficoltà
- 2/5
- Tempo stimato
- 1-3 ore
- Idoneità per principianti
- 35/100
Direzione di ricerca
Read CompiledPyMCModel.with_data and compare its conversion of new values with the JAX backend's PyFuncModel.with_data, which currently stores values as given. Reproduce the failure with the supplied model and list input, then check that sampling works after the value is handled consistently with the existing NumPy array input. An open linked pull request (#373) already addresses this issue.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
On a model compiled with backend="jax" (and freeze_model=False), passing a list to with_data makes sampling fail. The numba backend accepts the same call, and the PyMC usage guide shows compiled.with_data(x=[4, 5, 6]).
CompiledPyMCModel.with_data (numba) converts each new value with np.array(new_val, dtype=old_val.dtype). The jax backend returns a PyFuncModel, whose with_data stores the value as given, so the list reaches the jax logp function unchanged.
Reproduction
import numpy as np
import pymc as pm
import nutpie
with pm.Model() as model:
x = pm.Data("x", np.array([1.0, 2.0, 3.0]))
beta = pm.Normal("beta")
pm.Normal("y", mu=beta * x, sigma=0.1, observed=np.array([4.0, 5.0, 6.0]))
compiled = nutpie.compile_pymc_model(model, backend="jax", freeze_model=False)
nutpie.sample(compiled.with_data(x=[4, 5, 6]), chains=1)
RuntimeError: All initialization points failed
Caused by:
Logp function returned error: ... TypeError("multiply requires ndarray or scalar arguments, got <class 'list'> at position 1.")
The same error occurs with gradient_backend="jax". Passing np.array([4, 5, 6]) works.
- Lingua principale
- Python
- Stelle
- 214
- Fork
- 30
- Merge medio
- 3h 50m
- 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 pymc-devs/nutpie
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
-
Switch example to cmdstanpyAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 72/100
-
normalizing-flows
Difficoltà 3/5 1-2 giorni Idoneità per principianti 58/100
-
bug normalizing-flows
Difficoltà 4/5 3-5 giorni Idoneità per principianti 45/100
Tutte le issue di pymc-devs/nutpie
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
I maintainer di solito rispondono entro 1 giorno
-
enhancement
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
dgunning/edgartools#2019 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
topoteretes/cognee#6818 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno
-
source_verification_agent: no outcome when the publisher confirms a work but its DOI resolves to a different recordForse già presa @pinjun99 l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
Imbad0202/academic-research-skills#1159 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno
-
[Bug]: DoubleMLData.from_arrays checks the treatment d with force_all_x_finite instead of force_all_d_finiteForse già presa @leninworld l’ha presa oggi. Aperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
DoubleML/doubleml-for-py#471 ·
I maintainer di solito rispondono entro 1 giorno