llandsmeer

import jax
import jax.numpy as jnp
import matplotlib.pyplot as plt
import functools
import typing

def main():
    params = IOCellParams(g_CaL=1.2)
    state0 = IOCellState.make(params)
    @jax.jit

llandsmeer

for model in paper_experiments/nml_standalones/*/
do
    echo -n "$(basename "${model}")"
    for fun in log exp sqrt sin cos tan sinh cosh tanh abs ceil factorial random
    do
        if rg \
            -q \
            -i \
            -g '*.nml' \
            '\b'"${fun}"'\b' \

llandsmeer

'Conv'                         #############################################################################################################################################################
'MaxPool'                      #################################################################################################################################################
'Relu'                         #############################################################################################################################################
'Reshape'                      ##################################################################################################################################
'Softmax'                      ##########################################################################################################
'Concat'                       ##################################################################################################
'Add'                          ########################

llandsmeer

import jax
import iree.compiler as compiler

def YOUR_FUNCTION(x):
    return x + 1

input_sample = [
    jax.numpy.array([0.,])
]

llandsmeer

Excerpt from this issue: patrick-kidger/diffrax#202

llandsmeer

import torch
import numpy as np
import norse.torch as norse
import matplotlib.pyplot as plt
import tqdm.notebook as tqdm

_ = torch.manual_seed(0)

class MyModule(torch.nn.Module):
    def __init__(self, p=norse.LIFParameters()):

llandsmeer

/*
 * C implementation of
 * Yang, Yuning, and Andrew J. Mason. "Hardware efficient automatic
 * thresholding for NEO-based neural spike detection." IEEE Transactions
 * on Biomedical Engineering 64.4 (2016): 826-833.
 *
 * Writted by Lennart P. L. Landsmeer
 * NeurocomputingLab, Erasmus MC
 * */
#include <stdint.h>

llandsmeer

// Generated code block BEGIN
#define M_PI       3.14159265358979323846
#include <math.h>
typedef float * __restrict__ __attribute__((align_value (32))) Table_F32;
typedef long long * __restrict__ __attribute__((align_value (32))) Table_I64;
typedef union { int i32; float f32; } TypePun_I32F32; typedef char static_assert[ sizeof(int) == sizeof(float) ];
static float EncodeI32ToF32( int   i ){ TypePun_I32F32 cast; cast.i32 = i; return cast.f32;}
static int   EncodeF32ToI32( float f ){ TypePun_I32F32 cast; cast.f32 = f; return cast.i32;}
static float stepf( float x ){ if( x < 0 ) return 0; else return 1;  }

llandsmeer

import collections
import pandas as pd
import matplotlib.pyplot as plt

logfile = '<path to benchmark output.dat>'

tables = collections.defaultdict(list)

def tryfloat(x):
    # the argument can be a float or

llandsmeer

import arbor
import re
import subprocess
import tempfile
import pathlib
import matplotlib.pyplot as plt

nmodl = '''
NEURON {
  SUFFIX node