Diario

Progreso

• Candle leído en la etiqueta 0.11.0, commit 31f35b1; el código del curso depende de candle-core y candle-nn 0.11.0
• Código del curso: ejemplos, salidas en expected/, siete doctests compile_fail, check.sh
• Mismas salidas en Windows y en Linux (un contenedor rust:1.94.0)
• CI en GitHub: el workflow está escrito, aún no se ha subido
• Lección 1: por qué Candle
• Lección 2: tensores
• Lección 3: cálculo y rendimiento en CPU
• Lección 4: diferenciación automática
• Lecciones 5 a 12
• Traducciones al francés y al español de las lecciones 1 a 4

2026-09-15 — Candle, fijado

• La última versión en crates.io es 0.11.0, publicada el 26 de junio de 2026. Sus fuentes son la etiqueta 0.11.0, commit 31f35b147389700ed2a178ee66a91c3cc25cc80d, clonado aparte de este repositorio. main estaba en ddf1b87 ese mismo día.
• El workspace lista diez miembros, entre ellos los ejemplos WebAssembly, y deja aparte seis crates más (los kernels de GPU, candle-onnx, el libro); candle-transformers tiene 125 entradas bajo models/ y candle-examples 111 ejemplos.
• El curso fija =0.11.0 en Cargo.toml y hace commit de Cargo.lock, en lugar de seguir main como hace el cargo add --git del libro de Candle.
• El código solo usa la CPU: ninguna feature de Cargo activada, ningún modelo descargado en este lote.

2026-09-15 — El código del curso

• code/candle es un workspace con un crate, candle-course: 13 ejemplos, y src/lib.rs con los helpers show (redondea cada valor, para que los tres sistemas impriman los mismos dígitos), outcome y caught (imprime el mensaje de un panic), y los siete doctests compile_fail.
• check.sh ejecuta cargo fmt --check, clippy --release --all-targets -D warnings, cargo test --release y luego cada ejemplo, y compara su salida y su código de salida con expected/. l01_machine y l03_bench dependen de la máquina: se ejecutan sin comparación.
• El rustdoc estable comprueba que un fragmento compile_fail falla, no con qué error. Un doctest indicaba al principio E0369 para Result<Tensor> - f64; compilar el fragmento dio E0277. El workflow añade un cargo test --doc con nightly en Linux, que sí comprueba los códigos.
• La primera compilación release compiló 128 crates en 73 segundos con -j 4. 72 de los 119 crates detrás de candle-core vienen de tokenizers.
• data/builds.csv es una copia del archivo del curso de IX, del commit d9ef7fb, para que la lección 4 entrene con los mismos 52 builds.
• ix-autograd viene de Git en el commit 490c395 de IX, el commit del curso de IX, como dependencia de desarrollo.
• En Linux, check.sh se ejecutó en Docker Desktop 29.2.1 (rust:1.94.0, --cpus 4): cada salida comparada fue idéntica a la de Windows.

2026-09-15 — El CI

• .github/workflows/candle-examples.yml está escrito: check.sh en ubuntu-latest, windows-latest y macos-latest, una caché del registro de Cargo, los checkouts de Git y target/, con clave en Cargo.lock, y el paso de doctests con nightly en Linux.
• No está subido: el token con el que esta sesión hace push no puede crear archivos bajo .github/workflows/ sin el scope workflow. Hasta que se ejecute, macOS (ARM, NEON) queda por verificar, en particular las sumas f32 de la lección 4, que podrían redondearse de otra forma.

2026-09-15 — Las mediciones

• Intel Core Ultra 9 285K (24 núcleos, sin hyper-threading), 64 GB, Windows 11 Pro, Rust 1.94.0. La máquina ejecutaba otro trabajo al mismo tiempo; la lección lo dice y trata como ruido las diferencias por debajo de un 20 %.
• La primera versión del benchmark del forward pass ejecutó tensores simples y luego Var, una vez cada uno, y mostró el grafo un 35 % más rápido. Ejecutar dos rondas alternadas mostró un efecto de calentamiento; la lección muestra la versión alternada y explica por qué.
• target-cpu=native compiló en 65 segundos en un directorio target aparte y no cambió nada más allá del ruido. gemm ya elige kernels AVX2 y FMA en tiempo de ejecución.
• En un contenedor limitado a 4 CPU, Candle sigue contando 24 núcleos físicos y arranca 24 hilos: la red pequeña tardó 168 ms frente a 44 ms con RAYON_NUM_THREADS=1.

2026-09-15 — GA, IX y TARS

Commits leídos: GA 32f143c, IX a7e5fbc (con ix-autograd sin cambios desde 490c395), TARS 87464ce.

• Ninguno de los tres depende de Candle. GA (C#) y TARS (F#) ejecutan sus modelos con ONNX Runtime y Microsoft.ML.Tokenizers.
• IX escribió su propia diferenciación automática, ix-autograd, sobre ndarray, y reserva un lugar para un backend de Candle. La lección 4 muestra que su gradiente y el de Candle coinciden hasta 1e-9 en la regresión del curso de IX.
• Dónde podría servir Candle: los embeddings de GA (la lección 7 compara), y un backend de ix-autograd si IX necesita más operaciones o una GPU. Son notas para lecciones posteriores, no propuestas hechas a los proyectos.

2026-09-15 — Hallazgos

Dieciséis cosas que encontró este lote, cada una mostrada por código compilado del curso salvo que se indique. Nada se ha abierto como issue ni como pull request.

1. Un compilador de C para candle-core 0.11.0. Depende de tokenizers con la feature onig, que compila Oniguruma desde fuentes en C, para un solo archivo, el tokenizador GGUF (lección 1). main pasó a fancy-regex, en Rust puro; la próxima versión debería eliminar el requisito (por verificar).
2. from_vec y from_slice no comprueban el número de elementos cuando la forma no tiene hueco: cinco valores con una forma (2, 3) se aceptan y provocan un panic más tarde (lección 2). Issue #3812, corregido en main por #3813 el 13 de agosto de 2026, después de 0.11.0.
3. Las funciones de coma flotante sobre tensores enteros provocan un panic con todo!("no unary function for u32") en lugar de devolver un error (lección 2). Sigue así en main en ddf1b87; no encontré ningún issue al respecto.
4. El generador aleatorio de la CPU no admite semilla: Device::Cpu.set_seed(42) devuelve un error, así que rand y randn no son reproducibles en la CPU (lección 2).
5. La chuleta del README no compila: tensor.to_dtype(&DType::F16)? pasa una referencia donde to_dtype recibe un DType (lección 1, un doctest).
6. copy() clona todo el almacenamiento, no los elementos de la vista: una fila de 1000 elementos de un tensor de 4 MB sigue ocupando 4 MB después de copy(); force_contiguous ocupa 4 KB (lección 3).
7. Un mensaje confuso para un índice de más: m.i((0, 0, 0)) sobre una matriz dice “dimension index 0 out of range for shape []” (lección 2).
8. squeeze sobre una dimensión cuyo tamaño no es 1 tiene éxito en silencio y devuelve el tensor sin cambios, como PyTorch (lección 2).
9. Los gradientes también llegan a tensores simples que son entradas directas de operaciones registradas: la regresión de la lección 4 calcula gradientes para sus datos (lección 4). Correcto, pero trabajo de más.
10. backward sobre un no escalar se inicializa con unos sin avisar, donde PyTorch se niega (lección 4).
11. El número de hilos por defecto ignora los límites de CPU del contenedor: 24 hilos con --cpus 4, cuatro veces más lento en una red pequeña que un solo hilo (lección 3).
12. target-cpu=native no aportó ninguna ganancia medible en productos de matrices, operaciones elemento a elemento ni en una red pequeña en esta máquina; el propio .cargo/config.toml de Candle lo activa para sus ejemplos (lección 3).
13. Los productos de matrices f16 no son más rápidos que f32 en una CPU: gemm-f16 convierte a bloques f32 (lección 3).
14. La documentación de IX describe a Candle como usuario de “cuTENSOR” (code-analysis-tools.md, línea 129); las features CUDA de Candle usan cuBLAS, cuBLASLt, cuRAND, NVRTC y, opcionalmente, cuDNN (lección 1). Leído en las fuentes, no ejecutado.
15. hf-hub: el workspace de Candle 0.11.0 pide hf-hub 0.5.0, mientras que la última versión en crates.io es la 1.0.0. Para la lección 6 (por verificar qué cambió).
16. El libro de Candle instala desde Git: cargo add --git https://github.com/huggingface/candle.git candle-core sigue main, así que un ejemplo del libro puede depender de código que no se ha publicado (lección 1).

Por verificar

• La primera ejecución del workflow en los tres sistemas, y las salidas f32 en macOS ARM.
• El requisito del compilador de C tras la próxima versión de Candle.
• default_num_threads en Apple Silicon, que solo cuenta los núcleos de rendimiento.
• CANDLE_GRAD_DO_NOT_DETACH y las segundas derivadas.
• Por qué las operaciones elemento a elemento contiguas tardan la mitad en Linux que en Windows, en el mismo procesador (la asignación de memoria, como hipótesis).