تجميع log-sum-exp مستقر
اجمع حتى 1000 قيمة لوغاريتمية من سالب 1e300 إلى 1e300 بطرح أكبرها قبل حساب الأس.
from math import exp, fsum, log, inf
def log_sum_exp(values):
if type(values) not in (list, tuple) or len(values) > 1000:
raise ValueError("values.container")
values = tuple(values)
if len(values) > 1000 or any(
type(v) not in (int, float) or not -1e300 <= v <= 1e300 for v in values
):
raise ValueError("values.range")
if not values:
return -inf
peak = max(values)
return peak + log(fsum(exp(v - peak) for v in values))| راجع قبل التطبيق | قارن السلوك الفعلي بالنتيجة المتوقعة. إذا فشل فحص، تحقّق من السبب قبل إجراء تغييرات إضافية. |
|---|---|
| النماذج | اضبط نقطة اتصال متوافقة مع OpenAI أو Anthropic باستخدام العنوان الأساسي ومفتاح API عند الحاجة. اختبر الاتصال. يجب أن يعمل خادم النموذج المحلي؛ وقد ترسل الأدوات البعيدة البيانات بشكل منفصل. |
| المشروع | اختبر المدخل الفارغ والقيم الكبيرة المتكررة والسالبة جدا وأعد سالب اللانهاية للفارغ فقط وارفض العناصر المنطقية وغير المنتهية والخارجة عن المجال. |
from math import exp, fsum, log, inf
def log_sum_exp(values):
if type(values) not in (list, tuple) or len(values) > 1000:
raise ValueError("values.container")
values = tuple(values)
if len(values) > 1000 or any(
type(v) not in (int, float) or not -1e300 <= v <= 1e300 for v in values
):
raise ValueError("values.range")
if not values:
return -inf
peak = max(values)
return peak + log(fsum(exp(v - peak) for v in values))راجع السلوك العددي قبل الوثوق بالنتيجة الجديدة
ExponQuay عميل برمجة بالذكاء الاصطناعي على Windows للمطورين الذين يحتاجون شرح تعديل عددي ضمن سياق التطبيق. أحضر المصدر ومدخلا إشكاليا والسلوك المتوقع إلى محادثة المشروع. يطلب طلب أول مفيد من النموذج المتصل فصل العملية الرياضية المقصودة عن قيود التنفيذ الحالي.
مثلا يمكن لمهمة تجميع لوغاريتمي تحديد قيم مدخلات محدودة وحجم مجموعة أقصى ونتيجة للمدخلات الفارغة. اطلب فحص نهج الإزاحة بأكبر قيمة مع الحفاظ على العقد. أرفق المستدعي الذي يستهلك الإجابة، خصوصا إن ميز التجميع الفارغ عن نتيجة عددية محدودة. يظل النقاش عن شيفرة مشروعك.
قبل قبول المقترح، شغل حالات بقيم كبيرة مكررة وقيم سالبة جدا في بيئتك. افحص رفض الأنواع غير المدعومة والمدخلات خارج المجال مع النتيجة العادية. قارن بمرجع مناسب للدقة التي يحتاجها تطبيقك. تستحق الطريقة المقصودة لتحسين الاستقرار التحقق على حمل العمل الذي ستخدمه فعليا.
اختر نقطة نهاية متوافقة مع OpenAI أو تابعة لـ Anthropic يدعمها ExponQuay. إن توفرت فيها نماذج غير مفلترة، يمكنك اختيار أحدها ببيانات الاعتماد المطلوبة. لا يعد اسم الفئة بدقة رياضية؛ وتعتمد قيود النموذج وحدود السياق ودعم الأدوات على نقطة النهاية الفعلية وإعداد النموذج.
إعداد مراجعة تجميع عددي
ماذا أرفق بمدخل عددي إشكالي؟
أرفق المجال المتوقع أو النتيجة المرجعية وأنواع المدخلات المقبولة ومعالجة المستدعي للمخرجات الخاصة. تتيح هذه الحقائق مناقشة احتياجات التطبيق بدلا من مجرد استبدال تعبير بصيغة مشابهة رياضيا.
هل ينبغي للمدخل الفارغ إعادة عدد عادي؟
اتبع العقد الذي تحدده. يستخدم المثال سالب اللانهاية للتجميع الفارغ، وعلى المستهلك فهمه. راجع المستدعي واختبر الفراغ منفصلا عن مدخلات سالبة جدا لكنها صالحة قبل قبول تغيير.
لماذا أختبر قيما كبيرة مكررة؟
تختبر حدا مفيدا لنهج التجميع المناقش في مثال المشروع. حدد السلوك المتوقع وقارن التنفيذ بمرجع مناسب. لا تستنتج دقة عددية عامة من حالة عادية واحدة تتجنب القيم القصوى.
هل يستطيع النموذج اختيار هامش خطأ مقبول؟
يمكنه شرح المفاضلات لكن متطلبات تطبيقك تحدد الهامش. قدم المتطلب والأنواع العددية المستخدمة. اختبر المقترح الناتج بمدخلات ممثلة وأدواتك ووثق الحدود التي لاحظتها أثناء المراجعة.
ExponQuay · آخر تحديث 2026-10-25
