Change dtype of prior parameter of sts.Seasonal from float32 to float64
Ninguém assumiu esta issue ainda.
Avaliação
- Dificuldade
- 3/5
- Tempo estimado
- 1-2 dias
- Facilidade para iniciantes
- 25/100
- Tipo de issue
- Bug
- Clareza
- Precisa de esclarecimento
- Status de atividade
- Estagnada
- Domínio
- machine-learning
Direção de pesquisa
Comece reproduzindo a incompatibilidade de dtype em sts.Seasonal e inspecione como ConstrainedSeasonalStateSpaceModel valida seu dtype em relação a LocalLinearTrendStateSpaceModel. Nenhum arquivo ou teste é identificado na issue; considera-se concluído quando for determinado se o prior pode usar float64 de forma consistente e o comportamento suportado for documentado ou corrigido.
Escrita pelo modelo de indexação a partir do texto da issue.
Descrição
Hi all,
I have question based on dtype change in sts.Seasonal, namely I have created multiple of objects like:
Parameter: local_linear_trend/_slope_scale
Prior: tfp.distributions.LogNormal("slope_scale_prior", batch_shape=[], event_shape=[], dtype=float64)
--------------------------------------------------------------------------------------------------------------------------------------------
Parameter: month_of_year/_drift_scale
Prior: tfp.distributions.LogNormal("LogNormal", batch_shape=[], event_shape=[], dtype=float32)
--------------------------------------------------------------------------------------------------------------------------------------------
Parameter: day_of_week/_drift_scale
Prior: tfp.distributions.LogNormal("LogNormal", batch_shape=[], event_shape=[], dtype=float64)
As you can see in the case of month_of_year/_drift_scale Prior dtype is float32. It looks like it is not allowed during training as there is an exception:
ValueError: ConstrainedSeasonalStateSpaceModel, type=<dtype: 'float32'>, must be of the same type (<dtype: 'float64'>) as LocalLinearTrendStateSpaceModel.
Is there any solution to change dtype from float32 to float64?
- Linguagem predominante
- Jupyter Notebook
- Estrelas
- 4.4k
- Forks
- 1.1k
- Métricas de merge de PRs
- Nenhum PR com merge em 30d
Preparar o ambiente
- Sem Dockerfile nem arquivo Docker Compose
- Sem modelo de pull request
- Ler o guia de contribuição
Primeiros passos
- Leia a issue inteira e depois o guia de contribuição do projeto.
- Comente na issue dizendo que vai assumir — evita que duas pessoas façam o mesmo trabalho.
- Faça um fork do repositório e trabalhe em uma branch.
- Abra um pull request que referencie o número da issue.
Mais de tensorflow/probability
-
KL divergence between two `TransformedDistribution`s with a shared non-injective bijector (`AbsoluteValue`) returns the base KLTalvez já em andamento @Andreas-Hum assumiu há 8 dias. Aberta
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 72/100
tensorflow/probability#2036 ·
-
Dificuldade 4/5 3-5 dias Facilidade para iniciantes 54/100
tensorflow/probability#2040 ·
-
Dificuldade 3/5 1-2 dias Facilidade para iniciantes 68/100
tensorflow/probability#2034 ·
-
Dificuldade 5/5 Mais de uma semana Facilidade para iniciantes 35/100
tensorflow/probability#2021 ·
-
Dificuldade 4/5 3-5 dias Facilidade para iniciantes 30/100
tensorflow/probability#2015 ·
Todas as issues de tensorflow/probability
Issues semelhantes
-
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 72/100
JdeRobot/PerceptionMetrics#680 ·
Mantenedores costumam responder em até 1 dia
-
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 76/100
TuringLang/Turing.jl#2917 ·
Mantenedores costumam responder em até 1 dia
-
bug good first issue
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 84/100
Selectus2/trainers-rb#29 ·
-
test_issue1702 hardware test fails in a full `-m gpu` run: it reads a process-wide pinned-memory counter that test_issue1174 leaves non-zeroTalvez já em andamento @jafarovvvvvvv assumiu hoje. Abertabug claimed difficulty:2
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 75/100
MakazhanAlpamys/Soup#2680 · 2 comentários ·
Mantenedores costumam responder em até 1 dia
-
training
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 72/100
tinaudio/synth-setter#3758 ·
Mantenedores costumam responder em até 1 dia