A Pytea, um analisador estático para detectar erros de forma de tensor no código Pytorch, tem várias limitações, apesar de sua eficácia na identificação de possíveis incompatibilidades de forma:
1. Explosão e complexidade do caminho: Enquanto o Pytea usa a poda conservadora para gerenciar o número de caminhos de execução, modelos complexos com muitas declarações ou loops condicionais ainda podem levar à explosão do caminho, potencialmente limitando sua escalabilidade em bases de código muito grandes ou altamente dinâmicas [1] [ 3].
2. APIs não implementadas: o pytea pode aumentar os alarmes falsos se encontrar Pytorch ou outras APIs de terceiros que não foram implementadas em sua estrutura. Isso significa que os usuários precisam estar cientes de quais APIs são suportadas para evitar avisos desnecessários [5].
3. Limitações de análise offline: A análise offline usando o solucionador Z3 SMT pode resultar em caminhos indecidíveis se as restrições forem muito complexas ou não lineares, levando a tempo limite. Isso nem sempre pode fornecer uma indicação clara de se um caminho é válido ou não [5].
4. Interpretação dos resultados: os usuários precisam interpretar os resultados com cuidado, pois o Pytea identifica possíveis erros com base em restrições que nem sempre levam a erros reais de tempo de execução. Isso requer a compreensão do contexto e dos possíveis caminhos de execução do código [5].
5. Integração e suporte: Enquanto a Pytea suporta grandes bibliotecas como Torchvision, Numpy e PIL, sua integração com ambientes de desenvolvimento como o VSCode ainda está em desenvolvimento. Isso significa que os recursos interativos de depuração ainda não estão totalmente maduros [2].
Citações:[1] https://arxiv.org/pdf/2112.09037.pdf
[2] https://www.reddit.com/r/machinelearning/comments/rm4fgz/p_a_static_analyzer_for_detecting_tensor_shape/
[3] https://sf.snu.ac.kr/pytea/
[4] https://www.researchgate.net/publication/370473038_static_analysis_of_shape_in_tensorflow_programs
[5] https://github.com/ropas/pytea
[6] https://arxiv.org/pdf/2106.02887.pdf
[7] https://dl.acm.org/doi/10.1145/3510454.3528638
[8] https://towardsdatascience.com/understanding-tensors-learning-a-data-struture-through-3-pesky-errors-6d674776be0c/