Atelier T8.A12
Porteurs
Pierre Navaro (IRMAR/CNRS).
Titre possible
Packaging et Deep Learning avec JULIA A Confirmer/Finaliser.
Prérequis
- Connaissance élémentaire de JULIA et des principes fondamentaux du DL.
- Distribution ?
Modalités
Utilisation de knet ou flux (X % TP)
objectifs
A adapter/finaliser.
Les langages compilés tels que le C et le Fortran sont très performants mais au prix d'efforts importants d'apprentissage et de maintenance liès à une syntaxe nécessitant une grande expertise, un processus de compilation souvent complexe, et à l'absence de procédure simple de packaging. Les langages interprétés comme Python et R corrigent ces défauts car ils sont simples à manipuler et proposent à l'utilisateur un écosystème large et facile à installer. Cependant ces langages sont beaucoup moins performants pour les tâches numériques intensives. Pour profiter des avantages des deux approches, les développeurs proposent souvent une interface interactive construite autour d'un moteur de calcul écrit en langage compilé.Ce mariage efficace a des inconvénients car ces bibliothéques sont difficilement portables sur toutes les architectures et les développeurs doivent maitriser deux langages très différents en plus d'outils de compilation sophistiqués. Le langage Julia a l'objectif de supprimer ce problème de double langage. A la fois interprété et compilé, avec une syntaxe proche de celle de MATLAB, il propose une alternative performante à Python et R avec un accès plus aisé à des fonctionnalités du C++.
Il possède un système de packaging performant qui le rend facilement utilisable sur toutes les plateformes, y compris celles comportants des composants multicoeurs et GPU. Je vous propose de découvrir la syntaxe de ce nouveau langage dont la première version stable date de 2018 avec quelques exemples en Deep Learning avec les packages Flux et Knet.
Mots clés
Intelligence artificielle, Machine Learning, Deep Learning, Framework et environnements, Keras, Jupyter Lab, Datasets, flux, jnet, julia, neurones convolutifs, , python, Réseaux, antagonistes, génératifs, CNN, DL, ML, FNN, RNN, , GAN, Variational, VAE.
