Aggregazione log-sum-exp stabile
Aggrega fino a 1000 valori logaritmici da meno 1e300 a 1e300 sottraendo il massimo prima di esponenziare.
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))| Controlla prima di applicare | Confronta il comportamento effettivo con il risultato atteso. Se una verifica fallisce, indaga la causa prima di altre modifiche. |
|---|---|
| Modelli | Configura un endpoint compatibile con OpenAI o Anthropic usando URL di base e chiave API, se necessaria. Prova la connessione. Il server locale deve essere in esecuzione; gli strumenti remoti possono trasmettere dati separatamente. |
| Progetto | Verifica ingresso vuoto, grandi valori ripetuti e molto negativi, restituendo meno infinito solo per il vuoto e rifiutando elementi booleani, non finiti o fuori intervallo. |
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))Esamina il comportamento numerico prima di fidarti del nuovo risultato
ExponQuay è un client di programmazione con IA per Windows per sviluppatori che devono comprendere una modifica numerica nel suo contesto applicativo. Porta sorgente, input problematico e comportamento atteso nella conversazione sul progetto. Una prima richiesta utile chiede al modello connesso di separare l'operazione matematica prevista dai limiti dell'implementazione attuale.
Per esempio, un'attività di aggregazione logaritmica può specificare valori di input limitati, una dimensione massima della raccolta e un risultato per input vuoto. Chiedi al modello di esaminare un approccio che sottrae il massimo preservando quel contratto. Includi il chiamante che usa la risposta, soprattutto se distingue un aggregato vuoto da un risultato numerico finito. La discussione resta sul codice del tuo progetto.
Prima di accettare la proposta, esegui nel tuo ambiente casi con valori grandi ripetuti e valori molto negativi. Controlla il rifiuto di tipi non supportati e input fuori intervallo oltre al risultato ordinario. Confronta con un riferimento appropriato alla precisione richiesta dall'applicazione. Un metodo concepito per migliorare la stabilità merita comunque una verifica sul carico che servirà effettivamente.
Scegli un endpoint compatibile con OpenAI o Anthropic supportato da ExponQuay. Se vi sono disponibili modelli IA senza filtri, puoi selezionarne uno con le credenziali richieste. L'etichetta non promette precisione matematica; restrizioni del modello, limiti di contesto e strumenti supportati dipendono dalla configurazione effettiva di endpoint e modello.
Preparare la revisione di un’aggregazione numerica
Cosa deve accompagnare un input numerico problematico?
Includi l’intervallo o il risultato di riferimento atteso, i tipi di input accettati e il trattamento degli output speciali da parte del chiamante. Questi elementi permettono di affrontare le esigenze applicative invece di sostituire semplicemente un’espressione con una formula matematicamente simile.
L’input vuoto deve restituire un numero ordinario?
Segui il contratto specificato. L’esempio usa infinito negativo per un aggregato vuoto, che chi usa il risultato deve comprendere. Esamina quel chiamante e prova separatamente il caso vuoto dagli input molto negativi ma validi prima di accettare una modifica.
Perché provare valori grandi ripetuti?
Mettono alla prova un limite utile per l’approccio di aggregazione discusso in questo esempio di progetto. Indica il comportamento atteso e confronta l’implementazione con un riferimento adatto. Non dedurre un’accuratezza numerica generale da un solo caso ordinario che evita valori estremi.
Il modello può scegliere una tolleranza d’errore accettabile?
Può spiegare i compromessi, ma sono i requisiti dell’applicazione a determinare la tolleranza. Fornisci quel requisito e i tipi numerici usati. Esegui la proposta risultante su input rappresentativi con i tuoi strumenti e documenta i limiti osservati durante la revisione.
ExponQuay · Aggiornato 2026-10-25
