Comparaison des frameworks d’apprentissage profond

Abstract

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.