• Open Access
    • Comment cela fonctionne?
    • Ouvrir une session
    • Contact

    Voir le document

    JavaScript is disabled for your browser. Some features of this site may not work without it.
    Voir le document 
    • Accueil de LUCK
    • HE en Hainaut
    • HEH - HE
    • Sciences Et Techniques
    • Voir le document
    • Accueil de LUCK
    • HE en Hainaut
    • HEH - HE
    • Sciences Et Techniques
    • Voir le document
    Voir/Ouvrir
    A.pdf (1.245Mo)
    Date
    2021
    Auteur
    LERAT, Jean-Sébastien
    Metadata
    Afficher la notice complète
    Partage ça

    Comparaison des frameworks d’apprentissage profond

    Résumé
    L’apprentissage automatique est un ensemble de méthodes issues de l’intelligence artificielle qui visent à apprendre à l’aide de données. Au sein de ces méthodes, l’apprentissage profond se concentre sur des réseaux de neurones qui sont des modèles mathématiques dont l’objectif est de s’inspirer du fonctionnement du cerveau à l’aide de neurones artificiels. Ceux-ci sont très performants lorsqu’il s’agit de reconnaître des entités sur des images et vidéos. Ces méthodes sont possibles grâce aux améliorations technologiques qui permettent d’entraîner plus rapidement des modèles de plus en plus complexes, en particulier sur la carte graphique. Le problème se pose lorsqu’un temps de réponse court est requis ou lorsque le modèle neuronal est trop conséquent pour tenir en mémoire. Dans ce cas il faut distribuer la charge de travail sur plusieurs nœuds de calculs. Afin d’implémenter ce type de solution efficacement et rapidement, différents frameworks existent mais ceux-ci n’ont pas encore été comparés en termes d’utilisation de ressources, de stabilité et de performance sur un seul nœud. L’objectif de ce travail est de comparer les frameworks d’apprentissage profond sur le CPU et le GPU à l’aide de différents jeux de données et de différents modèles de réseaux de neurones.

    Parcourir

    Tout LUCKCommunautés & CollectionsAuteurTitreDate de publicationSujetType de documentTitre de périodiqueThématiqueCette collectionAuteurTitreDate de publicationSujetType de documentTitre de périodiqueThématique

    Mon compte

    Ouvrir une sessionS'inscrire

    Statistics

    Most Popular ItemsStatistics by CountryMost Popular Authors

    Plan du site

    • Open Access
    • Comment cela fonctionne?
    • Mon compte

    Contact

    • L’équipe de LUCK
    • Synhera
    • CIC