Hacktoberfest 2026：メンテナが10月に向けて印を付けた、オープンで初心者向けの issue。 Hacktoberfest の issue を見る

Feature request: vectorized finite difference evaluation

オープン
  • 何か問題がありますか？
#210 コメント 1 件 リアクション 1 件 担当者 0 名 GitHub で見る

@ChrisRackauckas-Claude がすでに取り組んでいます。

2026年4月6日 から。

  • #211 @ChrisRackauckas-Claude による — オープン

評価

難易度
5/5
見積もり時間
1週間以上
初心者へのやさしさ
45/100
issue の種類
機能追加
明瞭さ
おおむね明確
活発さ
静か
技術スタック
julia
領域
performance

調査の方向性

まず、既存の FiniteDiff および AutoFiniteDiff API と、issue にある手動でベクトル化された GPU のユースケースを読みます。dims 引数で行単位の有限差分接ベクトルをどのように表現するか、また出力形状をヤコビアンにどのように対応付けるべきかを判断します。一般化された API でベクトル化評価を 1 回の関数呼び出しで実行できれば完了です。

索引モデルが issue の本文から書いたものです。

説明

I have an implicit function that is extremely expensive to evaluate. However, it is fully GPU parallelized, in that if a matrix is provided, then each row is evaluated in parallel. For this particular function, the output is a matrix of size = (something, number of rows)

Doing finite differences through this is then easily parallelizable by making each row be a finite difference "tangent" (sorry if I'm misusing that word), so that the full Jacobian can be constructed in one single function evaluation as opposed to many evaluations.

I am doing this now manually, but it would be nice if this functionality could be generalized into FiniteDiff. perhaps a dims argument could be provided to AutoFiniteDiff specifying the dimension about which the evaluation is vectorized (in my case across the rows, so dims=1).

主要言語
Julia
スター
305
フォーク
42
平均マージ
24分
マージ済み PR（30日）
2

環境構築

このプロジェクトには開発コンテナ、Dockerfile、コントリビューションガイドがありません。まず README を読み、一般的な手順ははじめてのコントリビューションガイドを参照してください。

はじめの一歩

  1. issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
  2. 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
  3. リポジトリをフォークし、ブランチを切って変更します。
  4. issue 番号を参照したプルリクエストを送ります。

JuliaDiff/FiniteDiff.jl のほかの issue

JuliaDiff/FiniteDiff.jl の issue をすべて見る

似ている issue

Julia の issue をもっと見る

新しい issue をメールで受け取る

初心者向けの GitHub issue を短くまとめたダイジェスト。