[Perf #478] Audit and consolidate shared hot primitives: dot, squared distance, RBF, reductions and row partitioning

Aperta
#498 1 commento 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
35/100
Tipo di issue
Refactoring
Chiarezza
Abbastanza chiara
Stato di attività
Attiva
Stack tecnologico
python, scikit-learn
Ambito
machine-learning, performance

Direzione di ricerca

Inizia dall’issue padre #478 e dalle issue correlate #479, #480, #482, #483, #484, #485, #487 e #488, quindi fai l’inventario dei call site dell’estimator per le primitive elencate. Esegui microbenchmark su shape e layout diversi e analizza allocazioni, copie e vettorizzazione. Il lavoro è completo quando i canonical hot loop corrispondono alle primitive identificate, i duplicati vengono rimossi dove la semantica coincide e le regressioni dei benchmark documentano i kernel rimanenti specifici dell’estimator.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Parent: #478. Related: #479 #480 #482 #483 #484 #485 #487 #488.

Several current losses share low-level primitives: dense dot products, squared distances/RBF kernels, feature/class reductions, centroid accumulation and sample partitioning. Audit whether estimator implementations duplicate slower scalar versions instead of using one optimized primitive layer.

Deliverables: call-site inventory; microbenchmarks by shape/layout; contiguous/strided variants; allocation/copy audit; vectorization evidence; shared implementations where semantics match; estimator-specific fallbacks only when justified.

Acceptance: every canonical hot loop maps to an identified primitive or documented estimator-specific kernel; duplicated implementations are eliminated where possible; primitive benchmarks become regressions; fixes can be attributed back to affected estimator issues.

Lingua principale
Python
Stelle
2
Fork
0
Merge medio
4h 33m
PR unite (30g)
9

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di godofecht/flow-scikit

Tutte le issue di godofecht/flow-scikit

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.