v2.11.0 (5747)

Enseignement scientifique & technique - IA307 : Programming with GPU for Deep Learning

Descriptif

La mise en œuvre des méthodes d’apprentissage profond s’appuie sur des bibliothèques logicielles puissantes pour définir l’architecture des réseaux de neuronaux et simplifier l’utilisation des algorithmes nécessaires à la phase d’entraînement de ces réseaux. L’utilisation des architectures modernes pour accélérer les calculs réaliser lors de la phase d’apprentissage est indispensable pour atteindre les performances nécessaires à l’utilisation de bases de données d’apprentissage de grande taille. Les bibliothèques actuelles d’apprentissage profond masque, pour la simplification d’utilisation, les détails de mise en œuvre des algorithmes sur ces architectures. Cet enseignement propose un tour d’horizon des principaux algorithmes et leurs implémentations dans les bibliothèques d’apprentissage actuelles.

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Systèmes distribués et parallèles M2

Pour les étudiants du diplôme Programme de mobilité des établissements français partenaires

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Data & Artificial Intelligence

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Echange international non diplomant

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Diplôme d'ingénieur

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS
  • Crédit d'Option 3A acquis : 2

La note obtenue rentre dans le calcul de votre GPA.

Mots clés

programmation multi-threads, architecture GPU, algorithme de rétro-propagation, TensorFlow, PyTorch.
Veuillez patienter