PYTEA, un analizor static pentru detectarea erorilor de formă a tensiunii în codul Pytorch, are mai multe limitări, în ciuda eficacității sale în identificarea nepotrivirii potențiale a formei:
1. Explozie de cale și complexitate: în timp ce Pytea folosește tăierea conservatoare pentru a gestiona numărul de căi de execuție, modelele complexe cu multe afirmații sau bucle condiționale ar putea duce în continuare la explozie a căii, limitând potențial scalabilitatea acesteia în coduri de cod foarte mari sau extrem de dinamice [1] [ 3].
2. API-uri neimplementate: PYTEA poate ridica alarme false dacă întâlnește Pytorch sau alte API terțe care nu au fost implementate în cadrul său. Aceasta înseamnă că utilizatorii trebuie să fie conștienți de care sunt susținute API -urile pentru a evita avertismentele inutile [5].
3. Limitări de analiză offline: Analiza offline folosind rezolvatorul Z3 SMT poate duce la căi nedecidabile dacă constrângerile sunt prea complexe sau neliniare, ceea ce duce la intervale de timp. Acest lucru nu poate oferi întotdeauna o indicație clară dacă o cale este valabilă sau nu [5].
4. Interpretarea rezultatelor: Utilizatorii trebuie să interpreteze cu atenție rezultatele, deoarece PYTEA identifică erorile potențiale bazate pe constrângeri care ar putea să nu conducă întotdeauna la erori reale de rulare. Aceasta necesită înțelegerea contextului și a căilor de execuție potențiale ale codului [5].
5. Integrare și sprijin: În timp ce Pytea acceptă biblioteci majore precum Torchvision, Numpy și PIL, integrarea sa cu medii de dezvoltare precum VSCODE este încă în dezvoltare. Aceasta înseamnă că caracteristicile interactive de depanare nu sunt încă pe deplin mature [2].
Citări:[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-structure-hrough-3-tesky-errors-6d674776be0c/