Encoder weights initialized twice, decoder weights not initialized
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 2/5
- Tempo stimato
- 1-3 ore
- Idoneità per principianti
- 45/100
- Tipo di issue
- Bug
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Ferma
- Stack tecnologico
- python
- Ambito
- machine-learning
Direzione di ricerca
Locate the Autoencoder class and inspect the initialization of linear_1 and linear_2. Verify that the encoder is initialized once and that the decoder's weights and biases receive the same manual initialization described in the issue. Done means the decoder uses linear_2 for both operations without repeating the encoder initialization.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
In the Autoencoder class, the linear_1 (encoder) weights and biases are initialized twice, while the linear_2 (decoder) layer is never manually initialized. This looks like a copy-paste mistake.
Current Code (simplified):
Python
ENCODER
self.linear_1 = torch.nn.Linear(num_features, num_hidden_1)
self.linear_1.weight.detach().normal_(0.0, 0.1)
self.linear_1.bias.detach().zero_()
DECODER
self.linear_2 = torch.nn.Linear(num_hidden_1, num_features)
self.linear_1.weight.detach().normal_(0.0, 0.1) # ❌ should be linear_2
self.linear_1.bias.detach().zero_() # ❌ should be linear_2
Expected Behavior:
Encoder (linear_1) initialized once
Decoder (linear_2) initialized correctly
Suggested Fix:
ENCODER
self.linear_1 = torch.nn.Linear(num_features, num_hidden_1)
self.linear_1.weight.detach().normal_(0.0, 0.1)
self.linear_1.bias.detach().zero_()
DECODER ```
self.linear_2 = torch.nn.Linear(num_hidden_1, num_features)
self.linear_2.weight.detach().normal_(0.0, 0.1)
self.linear_2.bias.detach().zero_()
- Lingua principale
- Jupyter Notebook
- Stelle
- 17.6k
- Fork
- 4.1k
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
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 rasbt/deeplearning-models
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 35/100
rasbt/deeplearning-models#78 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
rasbt/deeplearning-models#76 · 2 commenti · 1 reazione ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 25/100
rasbt/deeplearning-models#74 ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
rasbt/deeplearning-models#63 ·
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 15/100
rasbt/deeplearning-models#56 · 3 commenti ·
Tutte le issue di rasbt/deeplearning-models
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
meta-pytorch/captum#1944 ·
-
POPE yes ratio counts ground-truth labels instead of model predictionsForse già presa @mottopanikeiku l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
EvolvingLMMs-Lab/lmms-eval#1591 ·
I maintainer di solito rispondono entro 1 giorno
-
bug nn triaged
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
pytorch/tensordict#2972 · 2 commenti ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 65/100
I maintainer di solito rispondono entro 2 giorni
-
InverseWishart.variance is wrong for off-diagonal entriesForse già presa @juanitorduz l’ha presa oggi. Apertabug
Difficoltà 2/5 1-3 ore Idoneità per principianti 75/100
I maintainer di solito rispondono entro 1 giorno