AutoFastDifferentiation not working with NamedTuple context
Chưa có ai nhận issue này.
Đánh giá
- Độ khó
- 3/5
- Thời gian dự kiến
- 1-2 ngày
- Mức phù hợp với người mới
- 48/100
Hướng nghiên cứu
Bắt đầu với đường dẫn AutoFastDifferentiation và các phương thức variablize được hiển thị trong lỗi, sau đó tái hiện MWE Optimization.jl được cung cấp với một ngữ cảnh tham số NamedTuple. Được xem là hoàn thành khi MWE chạy thành công với AutoFastDifferentiation mà không gặp lỗi thiếu phương thức; hãy so sánh hành vi của nó với AutoForwardDiff.
Do mô hình lập chỉ mục viết ra từ nội dung của issue.
Mô tả
Issue
AutoFastDifferentiation is not able to deal with a NamedTuple context which could happen when the parameters of an optimization is a NamedTuple.
The error message:
ERROR: MethodError: no method matching variablize(::@NamedTuple{v1::Float64, v2::Float64}, ::Symbol)
Closest candidates are:
variablize(::AbstractArray, ::Symbol)
variablize(::Number, ::Symbol)
MWE
Example taken from Optimization.jl, and modified to have a NamedTuple as p and use AutoFastDifferentiation
using Optimization
import FastDifferentiation
rosenbrock(u, p) = (p.v1 - u[1])^2 + p.v2 * (u[2] - u[1]^2)^2
u0 = zeros(2)
p = (v1=1.0, v2=100.0)
optf = OptimizationFunction(rosenbrock, AutoFastDifferentiation())
prob = OptimizationProblem(optf, u0, p)
sol = solve(prob, Optimization.LBFGS())
AutoForwardDiff works fine.
- Ngôn ngữ chính
- Julia
- Star
- 317
- Fork
- 38
- Merge trung bình
- 7 giờ 36 phút
- Pull request đã merge (30 ngày)
- 4
Chuẩn bị môi trường
- Không có Dockerfile hay tệp Docker Compose
- Không có mẫu pull request
- Đọc hướng dẫn đóng góp
Bắt đầu từ đâu
- Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
- Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
- Fork repository và làm thay đổi trên một nhánh.
- Mở pull request có tham chiếu số hiệu của issue.
Issue khác của JuliaDiff/DifferentiationInterface.jl
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 68/100
JuliaDiff/DifferentiationInterface.jl#1069 · 1 bình luận ·
-
bot
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 68/100
JuliaDiff/DifferentiationInterface.jl#1011 · 3 bình luận ·
-
Độ khó 4/5 3-5 ngày Mức phù hợp với người mới 48/100
-
AutoEnzyme Jacobian preparation scalar-indexes Reactant traced arraysCó thể làm lại được Pull request cho issue này đã bị đóng mà không được merge. Đang mởbackend wontfix
Độ khó 4/5 3-5 ngày Mức phù hợp với người mới 52/100
JuliaDiff/DifferentiationInterface.jl#1066 · 10 bình luận ·
-
Split preparation methods into 4Đang mở
Độ khó 4/5 3-5 ngày Mức phù hợp với người mới 48/100
Tất cả issue của JuliaDiff/DifferentiationInterface.jl
Issue tương tự
-
lux
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 76/100
JuliaGraphs/GraphNeuralNetworks.jl#732 ·
Maintainer thường phản hồi trong vòng 2 ngày
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 68/100
Maintainer thường phản hồi trong vòng 1 ngày
-
erfinv(::Float16) and erfcinv(::Float16) are wrong for abs(x) <= 0.75 (erfinv(Float16(0)) == 0.2201)Đang mở
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 82/100
JuliaMath/SpecialFunctions.jl#571 ·
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 74/100
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 67/100