Coordinates on GPU memory or CPU memory?
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 35/100
Direzione di ricerca
Start with the .cupy.as_cupy() accessor method linked in the issue, then review the referenced xarray pull requests, issues, and discussions. Compare the CPU and GPU coordinate cases described there and establish a recommended default, including whether supporting an explicit choice is needed; done means the behavior and rationale are clearly decided.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Gathering some scattered threads here and there on what might be best practice on allocating an xarray DataArray or Dataset's coordinates in host (CPU) or device (GPU) memory.
- https://github.com/pydata/xarray/pull/10079
- https://github.com/pydata/xarray/issues/11251
- https://github.com/Parcels-code/Parcels/issues/2534
- https://github.com/pydata/xarray/pull/10078#issuecomment-2687936426
- https://github.com/pydata/xarray/discussions/9249#discussioncomment-10056899
- https://github.com/pydata/xarray/issues/3232#issuecomment-771066618
Prevailing assumption was that coordinates should be loaded on CPU memory by default to conserve GPU memory resources. E.g. these lines in the .cupy.as_cupy() accessor method enforces that:
show that data is converted from NumPy (CPU) -> CuPy (GPU), while coords remain on CPU (technically, it just re-uses whatever the coords array was originally).
Question is: are there cases where it might make sense to load the coordinates into GPU memory too? Should there be an option to allow for either behaviour (keep coords on CPU, or move coords to GPU)?
- Lingua principale
- Python
- Stelle
- 86
- Fork
- 19
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Non abbiamo ancora controllato i file di configurazione di questo progetto. 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 xarray-contrib/cupy-xarray
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
xarray-contrib/cupy-xarray#85 · 2 commenti ·
-
bug
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
-
apply_ufunc problemAperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
xarray-contrib/cupy-xarray#69 · 4 commenti ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 38/100
xarray-contrib/cupy-xarray#58 · 3 commenti ·
Tutte le issue di xarray-contrib/cupy-xarray
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
spec-kitty/spec-kitty#5319 ·
I maintainer di solito rispondono entro 1 giorno
-
backend::vllm diffusion multimodal
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
openai/openai-agents-python#5229 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
I maintainer di solito rispondono entro 1 giorno