Live training monitor dashboard

Aperta
#7 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
30/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Tranquilla
Stack tecnologico
python

Direzione di ricerca

Non sono identificati file, test o punti di ingresso. Inizia esaminando le namedtuple di loss esistenti (MLLTerms, ELBOTerms e CollapsedELBOTerms) e il flusso di training di GP. Definisci l’ambito della dashboard e le serie live prima dell’implementazione; il lavoro è considerato completato quando è disponibile un monitor live funzionante per l’ambito concordato, con uno o più esperimenti.

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

Descrizione

roadmap

A TensorBoard-inspired training dashboard for ptgp that renders live charts as a model trains. Scoped to GP training, where the set of useful things to watch is small and known in advance.

This is one of the motivations for using namedtuples as optimization outputs. Each field becomes a plottable series automatically. The existing loss namedtuples (MLLTerms, ELBOTerms, CollapsedELBOTerms) give per-component loss decomposition for free.

Beyond the loss components, some ideas for what else to track:

  • Hyperparameter trajectories (ls, eta, sigma)
  • Variational parameter summaries for SVGP
  • Inducing point movement, or a live scatter plot of Z positions where the user can select which two input dimensions to view
  • Gradient norms per parameter group

Open questions

  • Should this start as a single-user, single-model dashboard? Or target multi-experiment comparison from the start?
  • What else would be useful to plot live during GP training?
Lingua principale
Jupyter Notebook
Stelle
15
Fork
5
Merge medio
2g 10h
PR unite (30g)
5

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

  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 pymc-devs/ptgp

Tutte le issue di pymc-devs/ptgp

Issue simili

Altre issue su Data Visualization

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.