Live training monitor dashboard
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
- Ambito
- data-visualization, machine-learning
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
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
- 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/ptgp
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 22/100
-
Expose and document VGP variational parameters for fit diagnosticsForse già presa @bwengals l’ha presa 54 giorni fa. Aperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 48/100
-
Add VGP: variational Gaussian inference for non-Gaussian likelihoods without inducing pointsForse già presa @bwengals l’ha presa 151 giorni fa. Aperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 35/100
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
-
Is the API functional?Apertapymc
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
Tutte le issue di pymc-devs/ptgp
Issue simili
-
en pending
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
I maintainer di solito rispondono entro 1 giorno
-
polish
Difficoltà 2/5 1-3 ore Idoneità per principianti 66/100
I maintainer di solito rispondono entro 1 giorno
-
bug fixed
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
biometryhub/biometryassist#207 ·
-
bug ui
Difficoltà 2/5 1-3 ore Idoneità per principianti 80/100
userFRM/egui-charts#4063 ·
I maintainer di solito rispondono entro 1 giorno
-
run_regime_discovery silently ignores regime labels >= n_regimesForse già presa @KhHuyy l’ha presa oggi. Apertabug good first issue
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
bloomberg/causal-ts#161 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno